此外,在主干网末端应用了一种名为 CBAM 的注意力机制,与之前的工作相比,不仅降低了计算成本,而且还强调了通道和空间域中的重要信息。 我们的结果表明,HIC-YOLOv5 在 VisDrone-2019-DET 数据集上将 mAP@[.5:.95] 提高了 6.42%,将 mAP@0.5 提高了 9.38%。 1.1 Convolutional Block Attention Module(CBAM)介绍...
HIC-YOLOv5主要贡献可以总结如下: 额外的预测头专为小物体设计。它在更高分辨率的特征图中检测物体,这些特征图包含更多关于微小和小物体的信息。 添加了一个内卷积块作为主干和颈部之间的桥梁,以增加特征图的通道信息。 在主干的末端应用了CBAM,从而提取了更多重要的通道和空间信息,同时忽略了冗余的信息。 结果表明,...
结果表明,HIC-YOLOv5在VisDrone-2019-DET数据集上的mAP@[.5:.95]提高了6.42%,mAP@0.5提高了9.38%。 我们参照HIC-YOLOv5,将这些改进用于YoloV5,效果如何呢?我们一起见证吧! # 官方代码测试结果 ```pythonYOLOv5lsummary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs Class Images Instances P...