YoloV8改进策略：BackBone改进|GCNet（独家原创）|附结构图

摘要

本文使用GCNet注意力改进YoloV8,在YoloV8的主干中加入GCNet实现涨点。改进方法简单易用，欢迎大家使用！

论文:《GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond》

非局部网络（NLNet）通过为每个查询位置聚合特定于查询的全局上下文，为捕获长距离依赖关系提供了一个开创性的方法。然而，经过严格的实证分析，我们发现非局部网络所建模的全局上下文在图像中的不同查询位置几乎相同。在本文中，我们利用这一发现，创建了一个基于查询独立公式的简化网络，该网络保持了NLNet的准确性，但计算量大大减少。我们还观察到，这种简化的设计与压缩-激励网络（SENet）具有相似的结构。因此，我们将它们统一成一个用于全局上下文建模的三步通用框架。在通用框架内，我们设计了一个更好的实例化，称为全局上下文（GC）块，它轻量级且可以有效地建模全局上下文。轻量级的特性使我们能够将其应用于骨干网络中的多个层，以构建全局上下文网络（GCNet），该网络在各种识别任务的主要基准测试中通常优于简化的NLNet和SENet。代码和配置已发布在https://github.com/xvjiarui/GCNet。

1、简介

捕捉长距离依赖关系，旨在提取对视觉场景的全局理解，已被证明对广泛的识别任务有益，如图像/视频分类、目标检测和分割[31, 12, 38, 14]。在卷积神经网络中，由于卷积层在局部邻域内