目录
1.简介
2.YOLOv5改进
2.1增加以下S2-MLPv2.yaml文件
2.2common.py配置
2.3yolo.py配置
1.简介
S2-MLPv2注意力机制
最近，出现了基于 MLP 的视觉主干。与 CNN 和视觉Transformer相比，基于 MLP 的视觉架构具有较少的归纳偏差，在图像识别方面实现了有竞争力的性能。其中，spatial-shift MLP (S2-MLP)，采用直接的空间位移操作，取得了比包括 MLP-mixer 和 ResMLP 在内的开创性工作更好的性能。使用具有金字塔结构的较小补丁，视觉置换器 (ViP) 和Global Filter Network (GFNet) 实现了比 S2-MLP 更好的性能。
在本文中，我们改进了 S2-MLP 视觉主干。我们沿通道维度扩展特征图，并将扩展后的特征图分成几个部分。我们对分割部分进行不同的空间移位操作。
本文对空间移位MLP (S2-MLP)模型进行了改进，提出了S2-MLPv2模型。将feature map进行扩展，并将扩展后的feature map分为三部分。它将每个部分单独移动，然后通过split-attention融合分开的特征图。同时，我们利用层次金字塔来提高其建模细粒度细节的能力，以获得更高的识别精度。在没有外部训练数据集的情况下，采用224×224的images，我们的s2-mlv2-medium模型在ImageNet1K数据集上取得了83.6%的top-1准确率，这是目前基于MLP的方法中最先进的性能。同时，与基于transformer的方法相比，我们的S2-MLPv2模型在不需要自我注意的情况下，参数更少，达到了相当的精度。
与基于MLP的先驱作品如MLP-Mixer、ResMLP以及最近类似MLP的模型如Vision Permutator和GFNet相比，空间移位MLP的另一个重要优势是，空间移位MLP的形状对图像的输入尺度是不变的。因此，经过特定尺度图像预训练的空间移位MLP模型可以很好地应用于具有不同尺寸输入图像的下游任务。未来的工作将致力于不断提高空间移位MLP体系结构的图像识别精度。一个有希望且直接的方向是尝试更小尺寸的patch和更高级的四层金字塔，如CycleMLP和AS-MLP，以进一步减少FLOPs和缩短基于transformer模型之间的识别差距。
S2注意力机制（S2 Attention Mechanism）是一种用于序列建模和注意力机制改进的方法，特别在自然语言处理（NLP）领域中得到广泛应用。它是对传统的自注意力机制（self-attention）进行改进，旨在提高序列中不同位置之间的关联性建模能力。
-
自注意力机制回顾： 自注意力机制是一种用于处理序列数据的方法，最早在Transformer模型中提出并广泛用于NLP任务中。在自注意力机制中，序列中的每个位置都可以与其他所有位置进行交互，以便捕获位置之间的关系。然而，这种全局的交互可能会导致计算复杂度的增加，并且可能过于强调距离较近的位置。
-
S2注意力机制的改进： S2注意力机制引入了一种分段结构，将序列分为不同的段（segments）。每个段内的位置之间可以进行交互，但不同段之间的交互被限制。这种分段结构在捕获长距离依赖关系时更加高效，因为不同段之间的关联性通常较弱。
-
注意力计算： 在S2注意力中，注意力权重的计算仍然涉及对查询（query）、键（key）和值（value）的操作。不同之处在于，每个段的注意力计算是独立的，而不同段之间的注意力权重设为固定值（通常为0）。
-
优势与应用： S2注意力机制的主要优势是在捕获序列中的长距离依赖关系时表现更加高效。这在处理长文本或长序列时特别有用，可以减少计算成本，同时提高建模性能。S2注意力机制在机器翻译、文本生成、命名实体识别等NLP任务中都有应用，以更好地处理长文本的关系建模。
2.YOLOv5改进
2.1增加以下S2-MLPv2.yaml文件
# parameters
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3, [1024, False]], # 23 (P5/32-large)
[-1, 1, S2Attention, [1024]], #修改
[[17, 20, 24], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
2.2common.py配置
./models/common.py文件增加以下模块
import numpy as np
import torch
from torch import nn
from torch.nn import init
# https://arxiv.org/abs/2108.01072
def spatial_shift1(x):
b,w,h,c = x.size()
x[:,1:,:,:c//4] = x[:,:w-1,:,:c//4]
x[:,:w-1,:,c//4:c//2] = x[:,1:,:,c//4:c//2]
x[:,:,1:,c//2:c*3//4] = x[:,:,:h-1,c//2:c*3//4]
x[:,:,:h-1,3*c//4:] = x[:,:,1:,3*c//4:]
return x
def spatial_shift2(x):
b,w,h,c = x.size()
x[:,:,1:,:c//4] = x[:,:,:h-1,:c//4]
x[:,:,:h-1,c//4:c//2] = x[:,:,1:,c//4:c//2]
x[:,1:,:,c//2:c*3//4] = x[:,:w-1,:,c//2:c*3//4]
x[:,:w-1,:,3*c//4:] = x[:,1:,:,3*c//4:]
return x
class SplitAttention(nn.Module):
def __init__(self,channel=512,k=3):
super().__init__()
self.channel=channel
self.k=k
self.mlp1=nn.Linear(channel,channel,bias=False)
self.gelu=nn.GELU()
self.mlp2=nn.Linear(channel,channel*k,bias=False)
self.softmax=nn.Softmax(1)
def forward(self,x_all):
b,k,h,w,c=x_all.shape
x_all=x_all.reshape(b,k,-1,c)
a=torch.sum(torch.sum(x_all,1),1)
hat_a=self.mlp2(self.gelu(self.mlp1(a)))
hat_a=hat_a.reshape(b,self.k,c)
bar_a=self.softmax(hat_a)
attention=bar_a.unsqueeze(-2)
out=attention*x_all
out=torch.sum(out,1).reshape(b,h,w,c)
return out
class S2Attention(nn.Module):
def __init__(self, channels=512 ):
super().__init__()
self.mlp1 = nn.Linear(channels,channels*3)
self.mlp2 = nn.Linear(channels,channels)
self.split_attention = SplitAttention()
def forward(self, x):
b,c,w,h = x.size()
x=x.permute(0,2,3,1)
x = self.mlp1(x)
x1 = spatial_shift1(x[:,:,:,:c])
x2 = spatial_shift2(x[:,:,:,c:c*2])
x3 = x[:,:,:,c*2:]
x_all=torch.stack([x1,x2,x3],1)
a = self.split_attention(x_all)
x = self.mlp2(a)
x=x.permute(0,3,1,2)
return x
2.3yolo.py配置
在 models/yolo.py文件夹下
定位到parse_model函数中，新增以下代码
elif m is S2Attention:
c1, c2 = ch[f], args[0]
if c2 != no:
c2 = make_divisible(c2 * gw, 8)
以上就修改完成了文章来源：https://www.toymoban.com/news/detail-656875.html
又遇到的问题欢迎评论区留言讨论文章来源地址https://www.toymoban.com/news/detail-656875.html
到了这里，关于YOLOv5、YOLOv8改进：S2注意力机制的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
