为了验证FFCA-YOLO的有效性,作者采用了两个公开的遥感小目标检测数据集(VEDAI和AI-TOD)以及一个自建数据集(USOD)。实验结果显示,FFCA-YOLO在这些数据集上的平均精度(mAP50)分别达到了0.748、0.617和0.909,超越了多个基准模型及当前最优方法。此外,该方法在不同模拟退化条件下的鲁棒性也得到了验证。 为进一步降低计...
实验结果表明，FFCA-YOLO在多个遥感数据集上的平均精度（mAP50）表现优异，超过现有模型，且鲁棒性经验证。为进一步优化计算资源消耗，基于部分卷积（PConv）重构了FFCA-YOLO结构，得到轻量级版本L-FFCA-YOLO，保持了高效性能与低计算需求。本文的贡献主要体现在设计FFCA-YOLO与L-FFCA-YOLO，通过引入FEM、FFM...