怎么做網(wǎng)站賺錢的動(dòng)漫網(wǎng)站b站推廣網(wǎng)站2023
代碼下載：
基于全局注意力的改進(jìn)YOLOv7-AC的水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng).zip資源-CSDN文庫(kù)
1.研究的背景
水下場(chǎng)景目標(biāo)檢測(cè)是水下機(jī)器人、水下無(wú)人機(jī)和水下監(jiān)控等領(lǐng)域中的重要任務(wù)之一。然而，由于水下環(huán)境的復(fù)雜性和特殊性，水下目標(biāo)檢測(cè)面臨著許多挑戰(zhàn)，如光線衰減、水下散射、水下噪聲等。因此，開發(fā)一種高效準(zhǔn)確的水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng)對(duì)于提高水下任務(wù)的執(zhí)行效果和水下資源的利用效率具有重要意義。
目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在陸地場(chǎng)景中取得了顯著的成果，如YOLO (You Only Look Once)、Faster R-CNN (Region-based Convolutional Neural Networks)等。然而，這些方法在水下場(chǎng)景中的應(yīng)用受到了一些限制。首先，由于水下環(huán)境的特殊性，水下圖像的質(zhì)量較差，包含大量的噪聲和模糊。其次，水下目標(biāo)的外觀和形狀與陸地目標(biāo)存在較大差異，傳統(tǒng)的目標(biāo)檢測(cè)算法往往難以準(zhǔn)確地檢測(cè)水下目標(biāo)。因此，需要針對(duì)水下場(chǎng)景的特點(diǎn)進(jìn)行改進(jìn)和優(yōu)化，以提高水下目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。
全局注意力機(jī)制是一種有效的注意力機(jī)制，可以幫助模型在輸入圖像的不同區(qū)域上分配不同的注意力權(quán)重。在目標(biāo)檢測(cè)任務(wù)中，全局注意力機(jī)制可以幫助模型更好地關(guān)注目標(biāo)區(qū)域，提高目標(biāo)檢測(cè)的準(zhǔn)確性。因此，將全局注意力機(jī)制引入到水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng)中，可以有效地提高水下目標(biāo)檢測(cè)的性能。
本研究的主要目標(biāo)是基于全局注意力的改進(jìn)YOLOv7-AC的水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng)。YOLOv7-AC是一種基于YOLOv3的改進(jìn)版本，具有更高的檢測(cè)精度和更快的檢測(cè)速度。通過引入全局注意力機(jī)制，我們希望進(jìn)一步提高YOLOv7-AC在水下場(chǎng)景中的目標(biāo)檢測(cè)性能。具體來(lái)說(shuō)，我們將探索如何設(shè)計(jì)和訓(xùn)練一個(gè)全局注意力模塊，以捕捉水下目標(biāo)的關(guān)鍵特征，并將其集成到Y(jié)OLOv7-AC中。我們還將研究如何優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置，以提高水下目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性。?
2.研究的意義
提高水下目標(biāo)檢測(cè)的準(zhǔn)確性：通過引入全局注意力機(jī)制，我們可以使模型更加關(guān)注水下目標(biāo)區(qū)域，提高目標(biāo)檢測(cè)的準(zhǔn)確性。這對(duì)于水下機(jī)器人、水下無(wú)人機(jī)等任務(wù)的執(zhí)行效果具有重要意義。
提高水下目標(biāo)檢測(cè)的魯棒性：水下環(huán)境的復(fù)雜性和特殊性使得水下目標(biāo)檢測(cè)面臨著許多挑戰(zhàn)。通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置，我們可以提高水下目標(biāo)檢測(cè)的魯棒性，使其在不同的水下環(huán)境中都能夠穩(wěn)定地工作。
推動(dòng)水下任務(wù)的發(fā)展：水下任務(wù)的發(fā)展需要高效準(zhǔn)確的水下目標(biāo)檢測(cè)系統(tǒng)作為基礎(chǔ)。本研究的成果可以為水下任務(wù)的執(zhí)行提供有力支持，推動(dòng)水下任務(wù)的發(fā)展和應(yīng)用。
總之，基于全局注意力的改進(jìn)YOLOv7-AC的水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng)具有重要的研究背景和意義。通過引入全局注意力機(jī)制和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，我們可以提高水下目標(biāo)檢測(cè)的準(zhǔn)確性和魯棒性，為水下任務(wù)的執(zhí)行提供有力支持。這對(duì)于提高水下任務(wù)的執(zhí)行效果和水下資源的利用效率具有重要意義。
3.圖片演示
5.核心代碼講解
5.1 fit.py
class CBS(nn.Module):""" Convolution -> BatchNorm -> SiLU """def __init__(self, in_channels, out_channels, kernel_size, stride):super(CBS, self).__init__()self.layer = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding=kernel_size // 2),nn.BatchNorm2d(out_channels),nn.SiLU())def forward(self, x):return self.layer(x)class MP1(nn.Module):""" MP1 block """def __init__(self, in_channels):super(MP1, self).__init__()# Upper branchself.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)self.cbs_upper = CBS(in_channels, in_channels // 2, 1, 1)# Lower branchself.cbs_lower1 = CBS(in_channels, in_channels // 2, 1, 1)self.cbs_lower2 = CBS(in_channels // 2, in_channels // 2, 3, 2)def forward(self, x):# Upper branchx_upper = self.maxpool(x)x_upper = self.cbs_upper(x_upper)# Lower branchx_lower = self.cbs_lower1(x)x_lower = self.cbs_lower2(x_lower)# Concatenatereturn torch.cat([x_upper, x_lower], dim=1)class MP2(nn.Module):""" MP2 block, similar to MP1 but with different output channels """def __init__(self, in_channels):super(MP2, self).__init__()# Upper branchself.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)self.cbs_upper = CBS(in_channels, in_channels, 1, 1)# Lower branchself.cbs_lower1 = CBS(in_channels, in_channels, 1, 1)self.cbs_lower2 = CBS(in_channels, in_channels, 3, 2)def forward(self, x):# Upper branchx_upper = self.maxpool(x)x_upper = self.cbs_upper(x_upper)# Lower branchx_lower = self.cbs_lower1(x)x_lower = self.cbs_lower2(x_lower)# Concatenatereturn torch.cat([x_upper, x_lower], dim=1)......封裝的類為
CBS、MP1和MP2，它們分別表示卷積、批歸一化和SiLU激活函數(shù)的組合、MP1塊和MP2塊。
CBS類包含一個(gè)序列模塊，其中包含一個(gè)卷積層、一個(gè)批歸一化層和一個(gè)SiLU激活函數(shù)。它的forward方法將輸入x傳遞給這個(gè)序列模塊，并返回輸出。
MP1類表示MP1塊，它包含一個(gè)上分支和一個(gè)下分支。上分支包括一個(gè)最大池化層和一個(gè)CBS模塊，下分支包括兩個(gè)CBS模塊。它的forward方法將輸入x分別傳遞給上分支和下分支，并將它們的輸出在通道維度上進(jìn)行拼接后返回。
MP2類表示MP2塊，它與MP1塊類似，但輸出通道數(shù)不同。它的forward方法與MP1塊的forward方法相同。
這些類封裝了卷積、批歸一化和激活函數(shù)的組合以及MP1和MP2塊的功能，可以在模型中使用它們來(lái)構(gòu)建更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。
該工程中的fit.py文件定義了兩個(gè)模塊類CBS和MP1，以及一個(gè)類MP2。其中，CBS類是一個(gè)卷積、批歸一化和SiLU激活函數(shù)的組合模塊，用于構(gòu)建卷積層。MP1類是一個(gè)MP1塊，包含了上下兩個(gè)分支，上分支是一個(gè)最大池化層和一個(gè)CBS模塊，下分支是兩個(gè)CBS模塊。MP2類與MP1類類似，但輸出通道數(shù)不同。這些模塊類都繼承自nn.Module類，并實(shí)現(xiàn)了forward方法來(lái)定義前向傳播過程。整個(gè)文件的功能是定義了一些用于構(gòu)建神經(jīng)網(wǎng)絡(luò)的模塊。
5.2 GAM.py
class ChannelAttention(nn.Module):""" Channel Attention Submodule for GAM """def __init__(self, in_channels):super(ChannelAttention, self).__init__()self.mlp = nn.Sequential(nn.Linear(in_channels, in_channels // 2),nn.SiLU(),nn.Linear(in_channels // 2, in_channels),nn.Sigmoid())def forward(self, x):avg_pool = torch.mean(x, dim=[2, 3])return self.mlp(avg_pool).unsqueeze(2).unsqueeze(3) * xclass SpatialAttention(nn.Module):""" Spatial Attention Submodule for GAM """def __init__(self, in_channels, out_channels):super(SpatialAttention, self).__init__()self.conv = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1),nn.SiLU(),nn.Conv2d(out_channels, 1, kernel_size=3, stride=1, padding=1),nn.Sigmoid())def forward(self, x):return self.conv(x) * xclass GAM(nn.Module):""" Global Attention Module (GAM) """def __init__(self, in_channels):super(GAM, self).__init__()self.channel_attention = ChannelAttention(in_channels)self.spatial_attention = SpatialAttention(in_channels, in_channels // 2)def forward(self, x):x = self.channel_attention(x)x = self.spatial_attention(x)return x這個(gè)程序文件是一個(gè)實(shí)現(xiàn)了全局注意力模塊（GAM）的神經(jīng)網(wǎng)絡(luò)模型。它包含了三個(gè)子模塊：通道注意力（ChannelAttention）、空間注意力（SpatialAttention）和全局注意力模塊（GAM）。
通道注意力子模塊（ChannelAttention）接收輸入的通道數(shù)，并通過一個(gè)多層感知機(jī)（MLP）來(lái)計(jì)算通道注意力權(quán)重。MLP包含兩個(gè)線性層和激活函數(shù)，最后輸出一個(gè)sigmoid函數(shù)作為注意力權(quán)重。通道注意力子模塊的前向傳播過程中，首先對(duì)輸入進(jìn)行平均池化操作，然后通過MLP計(jì)算通道注意力權(quán)重，并將其與輸入相乘得到輸出。
空間注意力子模塊（SpatialAttention）接收輸入的通道數(shù)和輸出的通道數(shù)，并通過兩個(gè)卷積層來(lái)計(jì)算空間注意力權(quán)重。卷積層的核大小為3x3，步長(zhǎng)為1，填充為1。卷積層的激活函數(shù)為SiLU（Sigmoid Linear Unit）?？臻g注意力子模塊的前向傳播過程中，首先通過兩個(gè)卷積層計(jì)算空間注意力權(quán)重，然后將其與輸入相乘得到輸出。
全局注意力模塊（GAM）接收輸入的通道數(shù)，并包含了通道注意力子模塊和空間注意力子模塊。在前向傳播過程中，首先通過通道注意力子模塊計(jì)算通道注意力權(quán)重，然后通過空間注意力子模塊計(jì)算空間注意力權(quán)重，最后將兩者相乘得到輸出。
總的來(lái)說(shuō)，這個(gè)程序文件實(shí)現(xiàn)了一個(gè)全局注意力模塊（GAM），用于增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型的表示能力。
5.3 models\common.py
class CBS(nn.Module):""" Convolution -> BatchNorm -> SiLU """def __init__(self, in_channels, out_channels, kernel_size, stride):super(CBS, self).__init__()self.layer = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding=kernel_size // 2),nn.BatchNorm2d(out_channels),nn.SiLU())def forward(self, x):return self.layer(x)class MP1(nn.Module):""" MP1 block """def __init__(self, in_channels):super(MP1, self).__init__()# Upper branchself.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)self.cbs_upper = CBS(in_channels, in_channels // 2, 1, 1)# Lower branchself.cbs_lower1 = CBS(in_channels, in_channels // 2, 1, 1)self.cbs_lower2 = CBS(in_channels // 2, in_channels // 2, 3, 2)def forward(self, x):# Upper branchx_upper = self.maxpool(x)x_upper = self.cbs_upper(x_upper)# Lower branchx_lower = self.cbs_lower1(x)x_lower = self.cbs_lower2(x_lower)# Concatenatereturn torch.cat([x_upper, x_lower], dim=1)class MP2(nn.Module):""" MP2 block, similar to MP1 but with different output channels """def __init__(self, in_channels):super(MP2, self).__init__()# Upper branchself.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)self.cbs_upper = CBS(in_channels, in_channels, 1, 1)# Lower branchself.cbs_lower1 = CBS(in_channels, in_channels, 1, 1)self.cbs_lower2 = CBS(in_channels, in_channels, 3, 2)def forward(self, x):# Upper branchx_upper = self.maxpool(x)x_upper = self.cbs_upper(x_upper)# Lower branchx_lower = self.cbs_lower1(x)x_lower = self.cbs_lower2(x_lower)# Concatenatereturn torch.cat([x_upper, x_lower], dim=1)class ChannelAttention(nn.Module):""" Channel Attention Submodule for GAM """def __init__(self, in_channels):super(ChannelAttention, self).__init__()self.mlp = nn.Sequential(nn.Linear(in_channels, in_channels // 2),nn.SiLU(),nn.Linear(in_channels // 2, in_channels),nn.Sigmoid())def forward(self, x):avg_pool = torch.mean(x, dim=[2, 3])return self.mlp(avg_pool).unsqueeze(2).unsqueeze(3) * xclass SpatialAttention(nn.Module):""" Spatial Attention Submodule for GAM """def __init__(self, in_channels, out_channels):super(SpatialAttention, self).__init__()self.conv = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1),nn.SiLU(),nn.Conv2d(out_channels, 1, kernel_size=3, stride=1, padding=1),nn.Sigmoid())def forward(self, x):return self.conv(x) * xclass GAM(nn.Module):""" Global Attention Module (GAM) """def __init__(self, in_channels):super(GAM, self).__init__()self.channel_attention = ChannelAttention(in_channels)self.spatial_attention = SpatialAttention(in_channels, in_channels // 2)def forward(self, x):x = self.channel_attention(x)x = self.spatial_attention(x)return x......這個(gè)程序文件是一個(gè)YOLOv7模型的實(shí)現(xiàn)，用于目標(biāo)檢測(cè)任務(wù)。文件中定義了一些常用的模塊和函數(shù)，包括卷積、批歸一化、激活函數(shù)等。其中還定義了一些特殊的模塊，如MP1、MP2、GAM等，用于構(gòu)建YOLOv7模型的不同部分。整個(gè)程序文件的結(jié)構(gòu)比較清晰，代碼邏輯也比較簡(jiǎn)單易懂。
6.系統(tǒng)整體結(jié)構(gòu)
整體功能和構(gòu)架概述：
該項(xiàng)目是一個(gè)基于全局注意力的改進(jìn)YOLOv7-AC的水下場(chǎng)景目標(biāo)檢測(cè)系統(tǒng)。它使用PyTorch框架實(shí)現(xiàn)了一個(gè)完整的目標(biāo)檢測(cè)系統(tǒng)，包括模型的構(gòu)建、訓(xùn)練、推理和可視化等功能。
整個(gè)項(xiàng)目的構(gòu)架可以分為以下幾個(gè)部分：
模型相關(guān)：包括模型的定義和模型相關(guān)的輔助函數(shù)和類，如卷積、批歸一化、激活函數(shù)等模塊的定義，以及YOLOv7模型的各個(gè)部分的定義和組合。
工具相關(guān)：包括一些常用的工具函數(shù)和類，如數(shù)據(jù)加載器的創(chuàng)建、損失函數(shù)的計(jì)算、模型的保存和加載等。
訓(xùn)練相關(guān)：包括訓(xùn)練腳本和訓(xùn)練過程中需要的輔助函數(shù)和類，如訓(xùn)練函數(shù)的定義、模型的優(yōu)化器的選擇和配置、訓(xùn)練指標(biāo)的計(jì)算等。
用戶界面相關(guān)：包括一個(gè)基于PyQt5的GUI界面，用于選擇圖片或視頻文件進(jìn)行目標(biāo)檢測(cè)，并顯示檢測(cè)結(jié)果。
其他輔助文件：包括一些輔助功能的實(shí)現(xiàn)，如激活函數(shù)、數(shù)據(jù)增強(qiáng)、自動(dòng)錨框生成、自動(dòng)批處理大小等。
下面是每個(gè)文件的功能整理：
| 文件路徑 | 功能概述 |
|---|---|
| fit.py | 定義了卷積、批歸一化和激活函數(shù)的組合模塊類 |
| GAM.py | 實(shí)現(xiàn)了全局注意力模塊的神經(jīng)網(wǎng)絡(luò)模型 |
| torch_utils.py | 包含了一些常用的函數(shù)和類，如設(shè)備選擇、時(shí)間同步、模型性能測(cè)量等 |
| train.py | 用于訓(xùn)練模型的腳本，包括訓(xùn)練函數(shù)和一些輔助函數(shù)和類 |
| ui.py | 基于PyQt5的GUI界面，用于選擇文件和顯示檢測(cè)結(jié)果 |
| models\common.py | 定義了一些常用的模塊和函數(shù)，用于構(gòu)建YOLOv7模型 |
| models\experimental.py | 包含了一些實(shí)驗(yàn)性的模塊和函數(shù) |
| models\tf.py | 包含了一些與TensorFlow相關(guān)的模塊和函數(shù) |
| models\yolo.py | 定義了YOLO模型的相關(guān)類 |
| models_init_.py | 空文件 |
| tools\activations.py | 定義了一些激活函數(shù) |
| tools\augmentations.py | 定義了一些數(shù)據(jù)增強(qiáng)函數(shù) |
| tools\autoanchor.py | 定義了自動(dòng)錨框生成的函數(shù) |
| tools\autobatch.py | 定義了自動(dòng)批處理大小的函數(shù) |
| tools\callbacks.py | 定義了一些回調(diào)函數(shù) |
| tools\datasets.py | 定義了數(shù)據(jù)加載器的創(chuàng)建函數(shù) |
| tools\downloads.py | 定義了一些用于下載數(shù)據(jù)集和權(quán)重的函數(shù) |
| tools\general.py | 定義了一些通用的輔助函數(shù) |
| tools\loss.py | 定義了一些損失函數(shù) |
| tools\metrics.py | 定義了一些評(píng)估指標(biāo)的計(jì)算函數(shù) |
| tools\plots.py | 定義了一些繪圖函數(shù) |
| tools\torch_utils.py | 定義了一些與PyTorch相關(guān)的輔助函數(shù) |
| tools_init_.py | 空文件 |
| tools\aws\resume.py | 定義了一些用于AWS訓(xùn)練恢復(fù)的函數(shù) |
| tools\aws_init_.py | 空文件 |
| tools\flask_rest_api\example_request.py | 定義了一些用于Flask REST API的示例請(qǐng)求函數(shù) |
| tools\flask_rest_api\restapi.py | 定義了Flask REST API的相關(guān)類和函數(shù) |
| tools\loggers_init_.py | 空文件 |
| tools\loggers\wandb\log_dataset.py | 定義了用于記錄數(shù)據(jù)集的類 |
| tools\loggers\wandb\sweep.py | 定義了用于記錄超參數(shù)搜索的類 |
| tools\loggers\wandb\wandb_utils.py | 定義了一些與WandB日志記錄相關(guān)的輔助函數(shù) |
| tools\loggers\wandb_init_.py | 空文件 |
| utils\activations.py | 定義了一些激活函數(shù) |
| utils\augmentations.py | 定義了一些數(shù)據(jù)增強(qiáng)函數(shù) |
| utils\autoanchor.py | 定義了自動(dòng)錨框生成的函數(shù) |
| utils\autobatch.py | 定義了自動(dòng)批處理大小的函數(shù) |
| utils\callbacks.py | 定義了一些回調(diào)函數(shù) |
| utils\datasets.py | 定義了數(shù)據(jù)加載器的創(chuàng)建函數(shù) |
| utils\downloads.py | 定義了一些用于下載數(shù)據(jù)集和權(quán)重的函數(shù) |
| utils\general.py | 定義了一些通用的輔助函數(shù) |
| utils\loss.py | 定義了一些損失函數(shù) |
| utils\metrics.py | 定義了一些評(píng)估指標(biāo)的計(jì)算函數(shù) |
| utils\plots.py | 定義了一些繪圖函數(shù) |
| utils\torch_utils.py | 定義了一些與PyTorch相關(guān)的輔助函數(shù) |
| utils_init_.py | 空文件 |
| utils\aws\resume.py | 定義了一些用于AWS訓(xùn)練恢復(fù)的函數(shù) |
| utils\aws_init_.py | 空文件 |
| utils\flask_rest_api\example_request.py | 定義了一些用于Flask REST API的示例請(qǐng)求函數(shù) |
| utils\flask_rest_api\restapi.py | 定義了Flask REST API的相關(guān)類和函數(shù) |
| utils\loggers_init_.py | 空文件 |
| utils\loggers\wandb\log_dataset.py | 定義了用于記錄數(shù)據(jù)集的類 |
| utils\loggers\wandb\sweep.py | 定義了用于記錄超參數(shù)搜索的類 |
| utils\loggers\wandb\wandb_utils.py | 定義了一些與WandB日志記錄相關(guān)的輔助函數(shù) |
7.YOLOv7簡(jiǎn)介
YOLOv7 模型 [ 2 ]，由 Chien-Yao Wang 和 Alexey Bochkovskiy 等人開發(fā)。到2022年，集成E-ELAN（擴(kuò)展高效層聚合網(wǎng)絡(luò)）[ 1 ]、基于級(jí)聯(lián)模型的模型縮放[ 2 ]和模型重新參數(shù)化[ 3 ]等策略，以在檢測(cè)效率和精度之間實(shí)現(xiàn)良好的平衡。如圖所示，YOLOv7網(wǎng)絡(luò)由四個(gè)不同的模塊組成：輸入模塊、Backbone網(wǎng)絡(luò)、Head網(wǎng)絡(luò)和預(yù)測(cè)網(wǎng)絡(luò)。?
?輸入模塊：YOLOv7模型的預(yù)處理階段采用了鑲嵌和混合數(shù)據(jù)增強(qiáng)技術(shù)，并利用YOLOv5建立的自適應(yīng)錨框計(jì)算方法，保證輸入的彩色圖像統(tǒng)一縮放到640×640尺寸，從而滿足骨干網(wǎng)絡(luò)輸入大小的要求。 骨干網(wǎng)絡(luò)：YOLOv7網(wǎng)絡(luò)由三個(gè)主要組件組成：CBS、E-ELAN和MP1。CBS模塊由卷積、批量歸一化和SiLU激活函數(shù)組成。E-ELAN模塊保持了原有的ELAN設(shè)計(jì)架構(gòu)，通過引導(dǎo)不同的特征組計(jì)算塊學(xué)習(xí)更多樣的特征來(lái)增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，保留原有的梯度路徑。MP1由CBS和MaxPool組成，分為上下分支。上分支使用 MaxPool 將圖像的長(zhǎng)度和寬度減半，并使用具有 128 個(gè)輸出通道的 CBS 將圖像通道減半。下分支通過具有 1 × 1 核和步長(zhǎng)的 CBS 將圖像通道減半，通過 3 × 3 核和 2 × 2 步長(zhǎng)的 CBS 將圖像長(zhǎng)和寬減半，最后通過串聯(lián)（Cat）操作。MaxPool提取小局部區(qū)域的最大值信息，而CBS提取小局部區(qū)域的所有值信息，從而提高網(wǎng)絡(luò)的特征提取能力。 Head網(wǎng)絡(luò)：YOLOv7的Head網(wǎng)絡(luò)采用特征金字塔網(wǎng)絡(luò)（FPN）架構(gòu)，采用PANet設(shè)計(jì)。該網(wǎng)絡(luò)包含多個(gè)卷積、批量歸一化和 SiLU 激活 (CBS) 塊，并引入了空間金字塔池化和卷積空間金字塔池化 (Sppcspc) 結(jié)構(gòu)、擴(kuò)展高效層聚合網(wǎng)絡(luò) (E-ELAN) 和 MaxPool -2（MP2）。Sppcspc 結(jié)構(gòu)通過在空間金字塔池化 (SPP) 結(jié)構(gòu)中結(jié)合卷積空間金字塔 (CSP) 結(jié)構(gòu)，以及幫助優(yōu)化和特征提取的大剩余邊緣，改善了網(wǎng)絡(luò)的感知場(chǎng)。ELAN-H層是基于E-ELAN的多個(gè)特征層的融合，進(jìn)一步增強(qiáng)了特征提取。MP2 塊具有與 MP1 塊類似的結(jié)構(gòu)，只是輸出通道的數(shù)量略有修改。 預(yù)測(cè)網(wǎng)絡(luò)：YOLOv7的預(yù)測(cè)網(wǎng)絡(luò)采用Rep結(jié)構(gòu)來(lái)調(diào)整頭部網(wǎng)絡(luò)輸出的特征的圖像通道數(shù)，然后應(yīng)用1×1卷積來(lái)預(yù)測(cè)置信度、類別和錨框。Rep 結(jié)構(gòu)受 RepVGG [ 44 ] 的啟發(fā)，引入了特殊的殘差設(shè)計(jì)來(lái)幫助訓(xùn)練過程。這種獨(dú)特的殘差結(jié)構(gòu)在實(shí)際預(yù)測(cè)中可以簡(jiǎn)化為簡(jiǎn)單的卷積，從而在不犧牲其預(yù)測(cè)性能的情況下降低網(wǎng)絡(luò)復(fù)雜性。
8.改進(jìn)模塊
GAM
注意力機(jī)制是一種通過為神經(jīng)網(wǎng)絡(luò)中輸入的各個(gè)部分分配不同的權(quán)重來(lái)改進(jìn)復(fù)雜上下文中特征提取的方法。這種方法使模型能夠?qū)Ｗ⒂谙嚓P(guān)信息并忽略不相關(guān)信息，從而提高性能。注意力機(jī)制的例子包括像素注意力、通道注意力和多階注意力[ 5 ]。 GAM [ 9 ]可以通過減少信息分散和放大全局交互表示來(lái)提高深度神經(jīng)網(wǎng)絡(luò)的性能。 GAM 包含通道注意力子模塊和空間注意力子模塊。通道注意力子模塊被設(shè)計(jì)為三維變換，使其能夠保留輸入的三維信息。接下來(lái)是兩層的多層感知（MLP），用于放大通道空間中的維度間依賴性，從而使網(wǎng)絡(luò)能夠?qū)Ｗ⒂趫D像中更有意義的前景區(qū)域。 空間注意力子模塊包含兩個(gè)卷積層，可以有效地整合空間信息，使網(wǎng)絡(luò)能夠?qū)Ｗ⒂趫D像中上下文重要的區(qū)域。
ResNet-ACmix 模塊
谷歌大腦研究團(tuán)隊(duì)將ResNet-ACmix模塊引入YOLOv7的Backbone組件中，有效地保留了提取的特征信息的一致性。該模塊基于ResNet[8]的瓶頸結(jié)構(gòu)，其中3×3卷積被ACmix模塊替代，能夠自適應(yīng)聚焦不同區(qū)域并捕獲更多信息特征，如圖所示。輸入分為主輸入和殘余輸入，這有助于防止信息丟失，同時(shí)減少參數(shù)數(shù)量和計(jì)算要求。ResNet-ACmix模塊使網(wǎng)絡(luò)能夠獲得更深的深度而不會(huì)遇到梯度消失，并且學(xué)習(xí)結(jié)果對(duì)網(wǎng)絡(luò)權(quán)重的波動(dòng)更加敏感。?
AC-E-ELAN模塊
AAAI對(duì)YOLOv7的E-ELAN組件提出的改進(jìn)是基于先進(jìn)的ELAN架構(gòu)[ 4 ]。與傳統(tǒng)ELAN網(wǎng)絡(luò)不同，擴(kuò)展E-ELAN采用擴(kuò)展、洗牌和合并基數(shù)方法，能夠在不破壞原始梯度流的情況下不斷增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，從而提高參數(shù)利用率和計(jì)算效率。YOLOv7中E-ELAN組件的特征提取模塊通過合并RepVgg架構(gòu)中的殘差結(jié)構(gòu)（即1×1卷積分支和跳躍連接分支）得到了進(jìn)一步改進(jìn)。這導(dǎo)致了AC-E-ELAN結(jié)構(gòu)的發(fā)展，如圖3所示，它集成了由3×3卷積塊組成的ACmixBlock，ACmixBlock之間具有跳躍連接和1×1卷積結(jié)構(gòu)。這種組合使網(wǎng)絡(luò)能夠受益于多分支模型訓(xùn)練期間獲得的豐富特征以及從單路徑模型獲得的快速、內(nèi)存高效的推理。?
10.參考文獻(xiàn)
- Zhou, X.; Ding, W.; Jin, W. Microwave-assisted extraction of lipids, carotenoids, and other compounds from marine resources. In?Innovative and Emerging Technologies in the Bio-Marine Food Sector; Academic Press: Cambridge, MA, USA, 2022; pp. 375–394. [Google Scholar]
- Liu, Y.; Anderlini, E.; Wang, S.; Ma, S.; Ding, Z. Ocean explorations using autonomy: Technologies, strategies and applications. In?Offshore Robotics; Springer: Singapore, 2022; Volume I, pp. 35–58. [Google Scholar]
- Ghafoor, H.; Noh, Y. An overview of next-generation underwater target detection and tracking: An integrated underwater architecture.?IEEE Access?2019,?7, 98841–98853. [Google Scholar] [CrossRef]
- Liu, K.; Liang, Y. Enhancement of underwater optical images based on background light estimation and improved adaptive transmission fusion.?Opt. Express?2021,?29, 28307. [Google Scholar] [CrossRef]
- Shi, J.; Zhuo, X.; Zhang, C.; Bian, Y.X.; Shen, H. Research on key technologies of underwater target detection. In?Seventh Symposium on Novel Photoelectronic Detection Technology and Applications; SPIE: Kunming, China, 2021; Volume 11763, pp. 1128–1137. [Google Scholar]
- Zhang, W.; Sun, W. Research on small moving target detection algorithm based on complex scene.?J. Phys. Conf. Ser.?2021,?1738, 012093. [Google Scholar] [CrossRef]
- Fu, H.; Song, G.; Wang, Y. Improved YOLOv4 marine target detection combined with CBAM.?Symmetry?2021,?13, 623. [Google Scholar] [CrossRef]
- Samantaray, S.; Deotale, R.; Chowdhary, C.L. Lane detection using sliding window for intelligent ground vehicle challenge. In?Innovative Data Communication Technologies and Application: Proceedings of ICIDCA 2020; Springer: Singapore, 2021; pp. 871–881. [Google Scholar]
- Bakheet, S.; Al-Hamadi, A. A framework for instantaneous driver drowsiness detection based on improved HOG features and na?ve Bayesian classification.?Brain Sci.?2021,?11, 240. [Google Scholar] [CrossRef]
- Bellavia, F. SIFT matching by context exposed.?IEEE Trans. Pattern Anal. Mach. Intell.?2022,?45, 2445–2457. [Google Scholar] [CrossRef] [PubMed]