改进YOLO系列 | CVPR 2021 | Involution:超越convolution和self-attention的神经网络算子
Involution:超越卷积和自注意力的新型神经网络算子(中文综述)
简介
Involuton是CVPR 2021上提出的新型神经网络算子,旨在超越卷积和自注意力,提供更高效、更具表达力的特征提取能力。
Involution原理
Involution的核心思想是将卷积核分解为多个核点,并通过注意力机制对这些核点进行加权融合。 这使得Involution能够捕获更复杂的特征信息,同时保持较低的计算复杂度。
Involution应用场景
Involution可以应用于各种计算机视觉任务,例如图像分类、目标检测、语义分割等。 它可以作为卷积或自注意力的替代或补充,以提高模型性能。
Involution算法实现
Involution的实现主要包括以下步骤:
- 特征提取: 使用标准卷积层提取输入图像的特征。
- 核点分解: 将卷积核分解为多个核点。
- 注意力计算: 对每个核点计算注意力权重。
- 特征融合: 使用注意力权重对核点进行加权融合。
- 输出: 生成最终的输出特征。
Involution代码实现
Involution:完整代码实现(中文解释)
依赖库
首先,我们需要导入必要的库:
import torch
import torch.nn as nn
import torch.nn.functional as F
定义核点分解函数
Involution核心的第一步是将卷积核分解为多个核点。 以下代码定义了一个简单的核点分解函数:
def kernel_decompose(kernel):# 将卷积核分解为多个核点kernel_points = kernel.view(-1, 1, 1, 1) # 将卷积核展开为一维向量return kernel_points
定义注意力计算模块
Involution使用注意力机制对核点进行加权融合。 以下代码定义了一个简单的注意力计算模块:
class AttentionModule(nn.Module):def __init__(self, channels):super(AttentionModule, self).__init__()self.query_conv = nn.Conv2d(channels, channels // 2, kernel_size=1)self.key_conv = nn.Conv2d(channels, channels // 2, kernel_size=1)self.value_conv = nn.Conv2d(channels, channels, kernel_size=1)def forward(self, feature, kernel_points):# 计算注意力权重q = self.query_conv(feature)k = self.key_conv(feature)v = self.value_conv(feature)attention = torch.bmm(q, k.transpose(0, 1)) # 计算注意力矩阵attention = F.softmax(attention, dim=1) # 计算注意力权重# 加权融合核点out = torch.bmm(attention, v) * kernel_pointsreturn out
定义Involution层
Involution层继承自 nn.Module
类,并实现了Involution操作。
class InvolutionLayer(nn.Module):def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0):super(InvolutionLayer, self).__init__()self.kernel_decompose = kernel_decompose # 核点分解函数self.attention_module = AttentionModule(in_channels) # 注意力计算模块self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)def forward(self, feature):# 卷积核分解kernel_points = self.kernel_decompose(self.conv.weight)# 注意力计算out = self.attention_module(feature, kernel_points)# 残差连接out += self.conv(feature)return out
完整示例代码
以下代码展示了如何使用Involution层进行图像分类:
import torch
import torch.nn as nn
import torch.nn.functional as F# 定义Involution层
involution_layer = InvolutionLayer(3, 64, 3)# 输入图像
image = torch.randn(1, 3, 224, 224)# Involution操作
out = involution_layer(image)print(out.shape) # 输出特征图形状
代码解释
- 导入必要的库:
torch
、torch.nn
、torch.nn.functional
。 - 定义核点分解函数
kernel_decompose
,将卷积核分解为多个核点。 - 定义注意力计算模块
AttentionModule
,使用注意力机制对核点进行加权融合。 - 定义Involution层
InvolutionLayer
,继承自nn.Module
类,并实现了Involution操作。 - 创建Involution层实例
involution_layer
,指定输入通道数、输出通道数、卷积核大小、步长和填充。 - 创建输入图像
image
。 - 使用Involution层进行Involution操作,并输出结果
out
。
注意
- 以上代码仅供参考,实际应用中需要根据任务和数据集进行调整。
- Involution是一种较为复杂的模型,需要有一定的深度学习基础才能理解和实现。
Involution部署测试
Involution的部署测试可以参考以下步骤:
- 模型训练: 使用训练数据集训练Involution模型。
- 模型评估: 使用测试数据集评估模型的性能。
- 模型部署: 将模型部署到生产环境。
文献材料链接
- Involution: Involutions for Efficient and Accurate Vision
应用示例产品
Involution可以应用于各种基于计算机视觉的应用,例如:
- 智能视频监控
- 自动驾驶
- 医学图像分析
总结
Involution是一种很有潜力的新型神经网络算子,它有望在各种计算机视觉任务中发挥重要作用。
影响
Involution的提出为神经网络架构设计提供了新的思路,并有可能引发后续研究的热潮。
未来扩展
Involution可以进一步扩展到其他深度学习任务,例如自然语言处理、语音识别等。
注意: 以上内容仅供参考,具体实现可能需要根据实际情况进行调整。
参考资料
- Involution: Involutions for Efficient and Accurate Vision
相关文章:
改进YOLO系列 | CVPR 2021 | Involution:超越convolution和self-attention的神经网络算子
Involution:超越卷积和自注意力的新型神经网络算子(中文综述) 简介 Involuton是CVPR 2021上提出的新型神经网络算子,旨在超越卷积和自注意力,提供更高效、更具表达力的特征提取能力。 Involution原理 Involution的…...
落地速度与效果之争,通用VS垂直,我的观点和预测。
标题:AI大模型战场:通用VS垂直,谁将领跑落地新纪元? 摘要:随着人工智能技术的飞速发展,大模型的应用场景日益广泛。在这场竞赛中,通用大模型和垂直大模型各有优势,落地速度和可能性也…...
【Android面试八股文】在Android中,出现ClassNotFound的有可能的原因是什么?
在Android环境下类未找到的可能原因 在Android环境下,类未找到的可能原因包括但不限于以下几点: 类路径问题:Android应用使用的类通常存储在APK文件中。如果类所在的APK文件没有被正确加载,或者应用的类路径配置有误,就会导致类未找到的错误。 多DEX文件加载问题:在一些…...
模板引擎与 XSS 防御
在 View 层,可以解决 XSS 问题。在本书的“跨站脚本攻击”一章中,阐述了“输入检查” 与“输出编码”这两种方法在 XSS 防御效果上的差异。XSS 攻击是在用户的浏览器上执行的, 其形成过程则是在服务器端页面渲染时,注入了恶意的 H…...

vue3轮播图怎么做
先看效果 实现代码 <n-carouseleffect"card"dot-type"line"draggable:autoplay"!isHovered":current-index"currentIndex"prev-slide-style"transform: translateX(-150%) translateZ(-450px);opacity:1"next-slide-st…...

ubuntu中安装docker并换源
使用 Ubuntu 的仓库安装 Docker sudo apt update现在,你可以使用以下命令在 Ubuntu 中安装 Docker 以及 Docker Compose: sudo apt install docker.io docker-composeDocker 包被命名为 docker.io,因为在 Docker 出现之前就已经存在一个名为…...

HTML静态网页成品作业(HTML+CSS)—— 环保主题介绍网页(5个页面)
🎉不定期分享源码,关注不丢失哦 文章目录 一、作品介绍二、作品演示三、代码目录四、网站代码HTML部分代码 五、源码获取 一、作品介绍 🏷️本套采用HTMLCSS,未使用Javacsript代码,共有5个页面。 二、作品演示 三、代…...

深入了解RSA加密算法
目录 前言 一、什么是RSA? 二、RSA加密的基本概念 1.非对称加密 2.密钥生成 3.加密和解密 三、RSA加密的工作原理 四、RSA的应用场景 五、RSA加密解密的实现 六、RSA算法的局限性及改进措施 前言 在当今的数字化时代,信息的安全性成为了人们关注…...
github基础使用
前言 将用到的github指令记录下来,持续更新,方便随时查找学习。 一、github用到的指令 1、我们从github克隆下来的代码版本一般都是master主分支,我们要建立自己的分支进行修改: //git branch //查看目前的分支/* * master /…...
Docker使用心得
Docker使用心得 最近使用Docker比较频繁,特此想记录一下,方便后续查找。 Docker常用命令Docker如何配置使用GPU环境?如何使用Dockerfile构建镜像?如何使用docker compose 实例化容器? Docker如何配置使用GPU环境 参…...

QListWidget 插入 item,item显示自定义界面
代码示意: class ItemWidget_action_cfg_w(QWidget):... # 如下方法是在指定item下插入新的item def __do_add_item(self, item):# 获取当前item rowrow self.__list_w.indexFromItem(item).row()# 注意这里没有父类,解释见后面说明new_item QList…...
Python写一个ERP系统和agent智能体协同仓库和订单的案例
这是一个关于使用Python编写一个简单的ERP系统,并与Agent智能体协同完成仓库和订单管理的案例。在这个案例中,我们将使用Python的第三方库sqlite3进行数据库操作,以及discord库实现与Agent智能体的通信。 1. 首先,安装所需库&…...

【计算机网络】已解决:“‘ping‘ 不是内部或外部命令,也不是可运行的程序或批处理文件”报错
文章目录 一、问题分析背景二、可能出错的原因三、错误代码示例四、正确解决方法与示例五、注意事项 已解决“‘ping’ 不是内部或外部命令,也不是可运行的程序或批处理文件”报错 一、问题分析背景 在Windows操作系统中,ping 命令是一个常用的网络诊断…...
Web前端学堂:深入探索前端开发的核心领域
Web前端学堂:深入探索前端开发的核心领域 在数字化时代的浪潮中,Web前端开发扮演着至关重要的角色。它不仅是连接用户与互联网世界的桥梁,更是创造丰富、互动网络体验的关键所在。本文将带领读者走进Web前端学堂,从四个方面、五个…...
Java数据结构与算法(0/1背包问题)
前言: 背包问题(Knapsack Problem)是组合优化问题中的一个经典问题,有多个变种。这里我们讨论的是 0/1 背包问题,这是最基本的一种形式。问题的描述如下: 给定 n 件物品,每件物品有一个重量 wi 和一个价值…...

LLVM 中 的 pass 及其管理机制
概述 LLVM 编译器框架的核心概念是任务调用和执行 编译器开发者将IR分解为不同的处理对象,并将其处理过程实现为单独的pass类型。在编译器初始化,pass被实例化,并被添加到pass管理中 pass 管理器(pass manager) 以流水线的方式将各个独立的…...
第 5 章 监控系统 | 入门案例 - 虚拟机监控
👉 本文目标:为 Linux 虚拟机/服务器安装 node_exporter,实现对虚拟机/服务器的监控。 👀 本文内容: 安装 Node Exporter,暴露 Linux 指标(比如 CPU、磁盘、IO 等)配置 Prometheus 抓取 Node Exporter 暴露的指标数据配置 Recording Rule,便于缓存/加速 Dashboard 频…...

教资认定报名照片要求小于190kb…
教资认定报名照片要求小于190kb…… 要求:文件小于190kb,宽度290-300,高度408-418 方法:vx搜随时照-教资认定 直接制作合规尺寸即可,还可以打印纸质版邮寄到家...

显示类控件——Calendar Widget
🐌博主主页:🐌倔强的大蜗牛🐌 📚专栏分类:QT ❤️感谢大家点赞👍收藏⭐评论✍️ 文章目录 一、Calendar Widget介绍核心属性重要信号代码示例: 获取选中的日期 一、Calendar Widget 介绍 …...

system与excel族函数区别
1.system #include<stdlib.h> int system(const char *command); comand是命令的路径,一般我们用绝对路径 system函数会创建新的进程,新的进程执行完返回原来的进程,原来的进程则继续执行后面的代码段。 如我们创建一个sys.cpp文件…...
HTML 语义化
目录 HTML 语义化HTML5 新特性HTML 语义化的好处语义化标签的使用场景最佳实践 HTML 语义化 HTML5 新特性 标准答案: 语义化标签: <header>:页头<nav>:导航<main>:主要内容<article>&#x…...
synchronized 学习
学习源: https://www.bilibili.com/video/BV1aJ411V763?spm_id_from333.788.videopod.episodes&vd_source32e1c41a9370911ab06d12fbc36c4ebc 1.应用场景 不超卖,也要考虑性能问题(场景) 2.常见面试问题: sync出…...

51c自动驾驶~合集58
我自己的原文哦~ https://blog.51cto.com/whaosoft/13967107 #CCA-Attention 全局池化局部保留,CCA-Attention为LLM长文本建模带来突破性进展 琶洲实验室、华南理工大学联合推出关键上下文感知注意力机制(CCA-Attention),…...

循环冗余码校验CRC码 算法步骤+详细实例计算
通信过程:(白话解释) 我们将原始待发送的消息称为 M M M,依据发送接收消息双方约定的生成多项式 G ( x ) G(x) G(x)(意思就是 G ( x ) G(x) G(x) 是已知的)࿰…...

使用分级同态加密防御梯度泄漏
抽象 联邦学习 (FL) 支持跨分布式客户端进行协作模型训练,而无需共享原始数据,这使其成为在互联和自动驾驶汽车 (CAV) 等领域保护隐私的机器学习的一种很有前途的方法。然而,最近的研究表明&…...

Python实现prophet 理论及参数优化
文章目录 Prophet理论及模型参数介绍Python代码完整实现prophet 添加外部数据进行模型优化 之前初步学习prophet的时候,写过一篇简单实现,后期随着对该模型的深入研究,本次记录涉及到prophet 的公式以及参数调优,从公式可以更直观…...

AI语音助手的Python实现
引言 语音助手(如小爱同学、Siri)通过语音识别、自然语言处理(NLP)和语音合成技术,为用户提供直观、高效的交互体验。随着人工智能的普及,Python开发者可以利用开源库和AI模型,快速构建自定义语音助手。本文由浅入深,详细介绍如何使用Python开发AI语音助手,涵盖基础功…...
字符串哈希+KMP
P10468 兔子与兔子 #include<bits/stdc.h> using namespace std; typedef unsigned long long ull; const int N 1000010; ull a[N], pw[N]; int n; ull gethash(int l, int r){return a[r] - a[l - 1] * pw[r - l 1]; } signed main(){ios::sync_with_stdio(false), …...
【Java】Ajax 技术详解
文章目录 1. Filter 过滤器1.1 Filter 概述1.2 Filter 快速入门开发步骤:1.3 Filter 执行流程1.4 Filter 拦截路径配置1.5 过滤器链2. Listener 监听器2.1 Listener 概述2.2 ServletContextListener3. Ajax 技术3.1 Ajax 概述3.2 Ajax 快速入门服务端实现:客户端实现:4. Axi…...
6.9本日总结
一、英语 复习默写list11list18,订正07年第3篇阅读 二、数学 学习线代第一讲,写15讲课后题 三、408 学习计组第二章,写计组习题 四、总结 明天结束线代第一章和计组第二章 五、明日计划 英语:复习l默写sit12list17&#…...