一、本文介绍
💡本文给大家介绍Mona即插即用模块, 含MoCAA和DyTMona二次创新模块优化YOLOv11。YOLOv11引入 Mona通过引入多尺度视觉友好型卷积滤波器(如3x3、5x5、7x7深度卷积)和可伸缩归一化层来优化适配器设计,以更好地处理视觉信号并调节输入特征分布。适合目标检测、图像分割、图像分类等所有CV任务通用即插即用模块。
专栏改进目录:YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接:全新YOLOv11创新改进高效涨点+永久更新中(至少500+改进)+高效跑实验发论文
本文目录
🚀创新改进2: yolov11n_C3k2_Mona.yaml
🚀创新改进4: yolov11n_C3k2_MoCAA.yaml
🚀创新改进6: yolov11n_C3k2_DyTMona.yaml
二、Mona模块介绍

摘要: 预训练与微调(Pre-training & Fine-tuning)方法在视觉任务中已取得显著进展,能够有效地提升模型的迁移效率和性能。近期的增量微调方法为视觉分类任务提供了更多选择。尽管取得了一定成功,但现有的视觉增量微调方法在目标检测和语义分割等挑战性任务上,仍未能超越全量微调的性能上限。为了寻找全量微调的有力替代方案,我们提出了多认知视觉适配器(Mona)微调方法,这是一种新颖的基于适配器的微调方法。首先,我们在适配器中引入多种视觉友好的滤波器,以增强其处理视觉信号的能力,而以往的方法主要依赖于语言友好的线性滤波器。其次,我们在适配器中添加了缩放归一化层,以规范输入特征的分布,为视觉滤波器提供更稳定的输入。为了充分展示 Mona 的实用性和通用性,我们在多个代表性的视觉任务上进行了实验,包括 COCO 数据集上的实例分割、ADE20K 数据
订阅专栏 解锁全文
4万+



被折叠的 条评论
为什么被折叠?



