文章目录

• YOLO系列算法改进方法 | 目录一览表
• • 一、注意力机制添加方法
  • 二、网络轻量化方法
  • 三、优化损失函数
  • 四、非极大值抑制
  • 五、“Transformer+CNN”结构
  • 六、特征融合方式改进
  • 七、优化锚框生成

💡魔改YOLO系列算法，助力涨点，助力科研。通过添加注意力机制SE/CBAM/CoordAtt/ECA /SimAM/CrissCrossAttention/ SKAttention/GAMAttention/S2-MLPv2/NAM等；网络轻量化方法通过更换主干特征提取网络为MobileNetV3/ShuffleNetV2/EfficientNetv2/Ghostnet/深度可分离卷积/PP-LCNet/mobileone/Ghostnetv2等；优化原yolo算法损失函数为EIoU/SIoU/Alpha-IoU等，助力检测涨点；优化非极大值抑制算法为Soft-nms/DIoU NMS等；构建“Transformer+CNN”结构拟补原卷积网络缺乏长距离建模能力，融入Bottleneck/EfficientFormer/Swin Transformer/Swin Transformer v2.0等，助力涨点；改进特征融合方式为BIFPN/ASFF等，强化不同尺度融合能力；优化锚框生成，改为K-Means++；添加小目标检测层等方法。

YOLO系列算法改进方法 | 目录一览表

💡🎈☁️1. 添加SE注意力机制
💡🎈☁️2.添加CBAM注意力机制
💡🎈☁️3. 添加CoordAtt注意力机制
💡🎈☁️4. 添加ECA通道注意力机制
💡🎈☁️5. 改进特征融合网络PANET为BIFPN
💡🎈☁️6. 增加小目标检测层
💡🎈☁️7. 损失函数改进
💡🎈☁️8. 非极大值抑制NMS算法改进Soft-nms
💡🎈☁️9. 锚框K-Means算法改进K-Means++
💡🎈☁️10. 损失函数改进为SIOU
💡🎈☁️11. 主干网络C3替换为轻量化网络MobileNetV3
💡🎈☁️12. 主干网络C3替换为轻量化网络ShuffleNetV2
💡🎈☁️13. 主干网络C3替换为轻量化网络EfficientNetv2
💡🎈☁️14. 主干网络C3替换为轻量化网络Ghostnet
💡🎈☁️15. 网络轻量化方法深度可分离卷积
💡🎈☁️16. 主干网络C3替换为轻量化网络PP-LCNet
💡🎈☁️17. CNN+Transformer——融合Bottleneck Transformers
💡🎈☁️18. 损失函数改进为Alpha-IoU损失函数
💡🎈☁️19. 非极大值抑制NMS算法改进DIoU NMS
💡🎈☁️20. Involution新神经网络算子引入网络
💡🎈☁️21. CNN+Transformer——主干网络替换为又快又强的轻量化主干EfficientFormer
💡🎈☁️22. 涨点神器——引入递归门控卷积（gnConv）
💡🎈☁️23. 引入SimAM无参数注意力
💡🎈☁️24. 引入量子启发的新型视觉主干模型WaveMLP（可尝试发SCI）
💡🎈☁️25. 引入Swin Transformer
💡🎈☁️26. 改进特征融合网络PANet为ASFF自适应特征融合网络
💡🎈☁️27. 解决小目标问题——校正卷积取代特征提取网络中的常规卷积
💡🎈☁️28. ICLR 2022涨点神器——即插即用的动态卷积ODConv
💡🎈☁️29. 引入Swin Transformer v2.0版本
💡🎈☁️30. 引入10月4号发表最新的Transformer视觉模型MOAT结构
💡🎈☁️31. CrissCrossAttention注意力机制
💡🎈☁️32. 引入SKAttention注意力机制
💡🎈☁️33. 引入GAMAttention注意力机制
💡🎈☁️34. 更换激活函数为FReLU
💡🎈☁️35. 引入S2-MLPv2注意力机制
💡🎈☁️36. 融入NAM注意力机制
💡🎈☁️37. 结合CVPR2022新作ConvNeXt网络
💡🎈☁️38. 引入RepVGG模型结构
💡🎈☁️39. 引入改进遮挡检测的Tri-Layer插件 | BMVC 2022
💡🎈☁️40. 轻量化mobileone主干网络引入

一、注意力机制添加方法

一般解决问题为：图像待测目标与背景相似，目标难以辨识的检测难点
💡🎈☁️1. 添加SE注意力机制
💡🎈☁️2.添加CBAM注意力机制
💡🎈☁️3. 添加CoordAtt注意力机制
💡🎈☁️4. 添加ECA通道注意力机制
💡🎈☁️23. 引入SimAM无参数注意力
💡🎈☁️31. CrissCrossAttention注意力机制
💡🎈☁️32. 引入SKAttention注意力机制
💡🎈☁️33. 引入GAMAttention注意力机制
💡🎈☁️35. 引入S2-MLPv2注意力机制
💡🎈☁️36. 融入NAM注意力机制

二、网络轻量化方法

一般解决问题为：轻量化网络，适应应用部署
💡🎈☁️11. 主干网络C3替换为轻量化网络MobileNetV3
💡🎈☁️12. 主干网络C3替换为轻量化网络ShuffleNetV2
💡🎈☁️13. 主干网络C3替换为轻量化网络EfficientNetv2
💡🎈☁️14. 主干网络C3替换为轻量化网络Ghostnet
💡🎈☁️15. 网络轻量化方法深度可分离卷积
💡🎈☁️16. 主干网络C3替换为轻量化网络PP-LCNet
💡🎈☁️40. 轻量化mobileone主干网络引入

三、优化损失函数

一般解决问题为：原损失函数的缺陷不足
💡🎈☁️7. 损失函数改进
💡🎈☁️10. 损失函数改进为SIOU
💡🎈☁️18. 损失函数改进为Alpha-IoU损失函数

四、非极大值抑制

一般解决问题为：同类别目标相互重叠导致错漏检问题
💡🎈☁️8. 非极大值抑制NMS算法改进Soft-nms
💡🎈☁️19. 非极大值抑制NMS算法改进DIoU NMS

五、“Transformer+CNN”结构

一般解决问题为：拟补全卷积网络缺乏长距离建模能力
💡🎈☁️17. CNN+Transformer——融合Bottleneck Transformers
💡🎈☁️21. CNN+Transformer——主干网络替换为又快又强的轻量化主干EfficientFormer
💡🎈☁️25. 引入Swin Transformer
💡🎈☁️29. 引入Swin Transformer v2.0版本

六、特征融合方式改进

一般解决问题为：目标尺度变化多样的问题
💡🎈☁️5. 改进特征融合网络PANET为BIFPN
💡🎈☁️26. 改进特征融合网络PANet为ASFF自适应特征融合网络

七、优化锚框生成

一般解决问题为：原K-Means算法缺陷
💡🎈☁️9. 锚框K-Means算法改进K-Means++