YoloV5改进策略：AAAI 2024 最新的轴向注意力| 即插即用，改进首选|全网首发，包含数据集和代码，开箱即用！

2024-01-01 23:27:16

摘要

https://arxiv.org/pdf/2312.08866.pdf
本文提出了一种名为Multi-scale Cross-axis Attention（MCA）的方法，用于解决医学图像分割中的多尺度信息和长距离依赖性问题。该方法基于高效轴向注意力，通过计算两个平行轴向注意力之间的双向交叉注意力，更好地捕获全局信息。为了处理病变区域或器官的个体尺寸和形状的显著变化，我们还在每个轴向注意力路径中使用多个具有不同内核大小的条形卷积，以提高编码空间信息的效率。我们将提出的MCA构建在MSCAN主干上，形成名为MCANet的网络。我们的MCANet仅使用4M+参数，在四个具有挑战性的任务上，包括皮肤病变分割、核分割、腹部多器官分割和息肉分割，性能超过了大部分先前使用重型主干的工作。该方法可用于医疗图像分割，帮助医生进行诊断和病理研究，提高诊断的准确性。
在这里插入图片描述

YoloV5官方测试结果

   YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients

文章来源:https://blog.csdn.net/m0_47867638/article/details/135322613
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。