一、概要 本文提出了一种改进的特征金字塔模型AF-FPN,该模型利用自适应注意力模块(adaptive attention module,AAM)和特征增强模块(feature enhancement module,FEM)来减少特征图生成过程中的信息丢失,进而提高特征金字塔的表示能力。 (1)改进1: 将YOLOv5中原有的特征金字塔即Neck部分的PANet,替换为AF-FPN,在保证实时检...
研究者引入AF-FPN和自动学习数据增强来解决模型大小和识别精度不兼容的问题,进一步提高模型的识别性能。将原有的FPN结构替换为AF-FPN,以提高识别多尺度目标的能力,并在识别速度和准确率之间做出有效的权衡。 此外,研究者去除原始网络中的mosaic augmentation,并根据自动学习数据增强策略使用最佳数据增强方法来丰富数据集并...
改进的YOLO,AF-FPN替换金字塔模块,提升目标检测精度#人工智能 #ai #论文 #目标检测算法 #yolov5 - 学算法的Amy于20230401发布在抖音,已经收获了13.5万个喜欢,来抖音,记录美好生活!
24.特征金字塔网络(FPN)的引入:通过引入FPN结构,加强了模型对不同尺度目标的检测能力,有助于更好地捕捉到交通标志中的细节信息。 25.自适应锚框计算:根据数据集的特点,自适应地调整锚框的尺寸和比例,使得模型能够更准确地定位到交通标志。 26.多尺度训练策略:在训练过程中,采用多种尺度的图像进行训练,有助于提高...
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...
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...