AF-FPN structure AF-FPN在传统特征金字塔网络的基础上,增加了自适应注意力模块(AAM)和特征增强模块(FEM)。前一部分由于减少了特征通道,减少了在高层特征图中上下文信息的丢失;后一部分增强了特征金字塔的表示并加快了推理速度,同时实现了最先进的性能。AF-FPN的结构如下图所示。 AAM的具体结构如下图所示,作为自适...
本文引入AF-FPN和自动学习数据增强,解决模型大小与识别精度不兼容问题,进一步提高模型的识别性能。 用AF-FPN代替原来的FPN结构,提高了多尺度目标识别能力,在识别速度和精度之间进行了有效的权衡。 1、AF-FPN AF-FPN在传统特征金字塔网络的基础上,增加了自适应注意力模块AAM和特征增强模块FEM。整体结构如下: 输入图像通...
在今天分享中,研究者提出了一种改进的特征金字塔模型,命名为AF-FPN,它利用自适应注意力模块(AAM)和特征增强模块(FEM)来减少特征图生成过程中的信息丢失并增强表示能力的特征金字塔。将YOLOv5中原有的特征金字塔网络替换为AF-FPN,在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。此外,提出了一种新的...
YOLOv5采用特征金字塔网络(FPN)结构,能够在不同尺度下提取特征,使得小目标和大目标都能得到准确的检测。此外,YOLOv5还采用了标签传播技术,能够将大量有监督的标签转换为无监督的标签,从而减少了标注成本。三、改进YOLOv5算法三、改进YOLOv5算法虽然YOLOv5算法已经具有很高的性能,但是针对特定的车辆目标检测任务,我们仍...
将YOLOv5中原有的特征金字塔网络替换为AF-FPN,在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。此外,提出了一种新的自动学习数据增强方法来丰富数据集并提高模型的鲁棒性,使其更适合实际场景。在Tsinghua-Tencent 100K (TT100K) 数据集上的大量实验结果证明了与几种最先进的方法相比所提出的方法的...
本文针对小目标检测存在的问题,分别从四个方面对YOLO v5算法进行改进。首先使用双线性插值法上采样操作扩大特征图,其次改进网络结构,将Focus模块替换为设计的ConvFocus模块,增加一个小目标检测层,并在特征融合部分共插入5个CBAM注意力机制模块,从通道和空间两个方面聚焦有用特征,加强网络特征提取能力。改进的YOLO v5算法...
将YOLOv5中原有的特征金字塔网络替换为AF-FPN,在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。此外,提出了一种新的自动学习数据增强方法来丰富数据集并提高模型的鲁棒性,使其更适合实际场景。在Tsinghua-Tencent 100K (TT100K) 数据集上的大量实验结果证明了与几种最先进的方法相比所提出的方法的...