YOLOv8/v7/v5全网首发原创独家创新，内涵CBAM注意力改进、ECA改进，SPPF改进等

💡💡💡全网独家首发创新（原创），纯自研模块，适合paper ！！！

💡💡💡内涵CBAM注意力改进、ECA改进，SPPF改进等！！！

全网首发独家原创

1.SPPF创新结构

重新设计全局平均池化层和全局最大池化层，增强全局视角信息和不同尺度大小的特征

分析SPPF的问题点，只关注边缘信息而忽略背景信息

如何改进：

我们在SPPF模块的基础上，利用全局平均池化层和全局最大池化层，加入一些全局背景信息和边缘信息，帮助网络更好的做出判断。

YOLOv8实现SPPF创新实现

YOLOv5实现SPPF创新实现

YOLOv7实现SPPF创新实现

2.创新自研CPMS注意力

多尺度通道注意力具+多尺度深度可分离卷积空间注意力，全面升级CBAM

CPMS | ? 亲测在多个数据集能够实现涨点，对标CBAM。

在道路缺陷检测任务中，原始map为0.8，cbam为0.822 ?，CPMS? 为? 0.874

CPMS注意力结构图

原始CBAM结构图：

?YOLOv8 CPMS实现

?YOLOv5 CPMS实现

YOLOv7 CPMS实现

3.MSAM（CBAM升级版）

通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力

MSCA? | ? 亲测在多个数据集能够实现涨点，对标CBAM。

在道路缺陷检测任务中，原始map为0.8，cbam为0.822 ?，MSCA? 为? 0.855

?YOLOv8实现MSAM注意力实现

?YOLOv5实现MSAM注意力实现

YOLOv7实现MSAM注意力实现

4.高效率通道注意力EMCA

一种新颖的跨通道交互的高效率通道注意力EMCA，ECA改进版

EMCA结构图：

?

ECA结构图：

?YOLOv8实现EMCA注意力实现

?YOLOv5实现EMCA注意力实现

?YOLOv7实现EMCA注意力实现

5. 自研独家创新FT_Conv

卷积高效结合分数阶变换?

卷积如何有效地和频域结合，引入分数阶傅里叶变换(FrFT)和分数阶Gabor变换(FrGT)，最终创新到YOLOv8。

在道路缺陷检测任务中，原始map为0.8，FT_Conv为0.82

YOLOv8实现FT_Conv实现

?YOLOv5实现FT_Conv实现

YOLOv7实现FT_Conv实现

6.自研独家创新BSAM注意力?

提出新颖的注意力BSAM（BiLevel Spatial ?Attention Module），创新度极佳，适合科研创新，效果秒杀CBAM，Channel Attention+Spartial Attention升级为新颖的 BiLevel ? Attention+Spartial Attention
?

?YOLOv8实现BSAM注意力实现

?YOLOv5实现BSAM注意力实现

YOLOv7实现BSAM注意力实现

原创性专栏介绍?

💡💡💡全网独家首发创新（原创），适合paper ！！！

💡💡💡 2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络 ！！！

💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！

?YOLOv8原创自研

https://blog.csdn.net/m0_63774211/category_12511737.html?spm=1001.2014.3001.5482

?YOLOv5原创自研

https://blog.csdn.net/m0_63774211/category_12511931.html

?
?

?YOLOv7原创自研

https://blog.csdn.net/m0_63774211/category_12511937.html

?