YoloV5改进策略:SwiftFormer,全网首发,独家改进的高效加性注意力用于实时移动视觉应用的模型,重构YoloV5

文章目录

  • 摘要
  • 论文:《SwiftFormer:基于Transformer的高效加性注意力用于实时移动视觉应用的模型》
  • 1、简介
  • 2、相关研究
  • 3、方法
    • 3.1、注意力模块概述
    • 3.2、高效的加性注意力
    • 3.3、SwiftFormer 架构
  • 4、实验
    • 4.1、实现细节
    • 4.2、基线比较
    • 4.3、图像分类
    • 4.4、目标检测和实例分割
    • 4.5、语义分割
  • 5、结论
  • 6、补充材料
    • A、SwiftFormer的架构细节
    • B、其他实现细节
    • C、额外消融
    • D、COCO数据集的误差分析
    • E、定性结果<

你可能感兴趣的:(YoloV5,V7改进与实战——高阶篇,Yolo系列轻量化改进,YOLO,重构)