关注“PandaCVer”公众号

>>>深度学习Tricks，第一时间送达<<<

目录

（一）前言介绍

1.摘要

2.不同注意力步骤比较

（二）相关实验

（三）YOLOv5结合无参注意力SimAM

1.配置.yaml文件

2.配置common.py

3.修改yolo.py

SimAM：无参数Attention助力分类/检测/分割涨点！！！

（一）前言介绍

论文题目：SimAM: A Simple, Parameter-Free Attention Module for Convolutional Neural Networks

论文地址：http://proceedings.mlr.press/v139/yang21o/yang21o.pdf

源代码：https://github.com/ZjjConan/SimAM

1.摘要

本文提出一种概念简单且非常有效的注意力模块。不同于现有的通道/空域注意力模块，该模块无需额外参数为特征图推导出3D注意力权值。具体来说，基于著名的神经科学理论提出优化能量函数以挖掘神经元的重要性。进一步针对该能量函数推导出一种快速解析解并表明：该解析解仅需不超过10行代码即可实现。该模块的另一个优势在于：大部分操作均基于所定义的能量函数选择，避免了过多的结构调整。最后在不同的任务上对所提注意力模块的有效性、灵活性进行验证。

2.不同注意力步骤比较

（二）相关实验

对比其他注意力模型，+SimAM注意力后均表现出优秀的检测效果！！！

上表给出了ImageNet数据集上不同注意力机制的性能对比，从中可以看到：

1.所有注意力模块均可以提升基线模型的性能；

2.所提SimAM在ResNet18与ResNet101基线上取得了最佳性能提升；

3.对于ResNet34、ResNet50、ResNeXt50、MobileNetV2，所提SimAM仍可取得与其他注意力相当性能；

4.值得一提的是，所提SimAM并不会引入额外的参数；

5.在推理速度方面，所提SimAM与SE、ECA相当，优于CBAM、SRM。

（三）YOLOv5结合无参注意力SimAM

1.配置.yaml文件

添加方法灵活多变，和CBAM等注意力一样，Backbone或者Neck都可。

2.配置common.py

复制粘贴SimAM相关代码

class SimAM(nn.Layer):
    def __init__(self, lamda=1e-5):
        super().__init__()
        self.lamda = lamda
        self.sigmoid = nn.Sigmoid()        

    def forward(self, x):
        b, c, h, w = x.shape
        n = h * w - 1
        mean = paddle.mean(x, axis=[-2,-1], keepdim=True)
        var = paddle.sum(paddle.pow((x - mean), 2), axis=[-2, -1], keepdim=True) / n
        e_t = paddle.pow((x - mean), 2) / (4 * (var + self.lamda)) + 0.5 
        out = self.sigmoid(e_t) * x
        return out

3.修改yolo.py

找到parse_model函数，加入SimAM_Moudle模块即可。具体可参考CBAM注意力方法。

关于YOLO改进及论文投稿可关注并留言博主的CSDN/QQ

>>>>>>一起交流！互相学习！共同进步！<<<<<<