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...
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…
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...
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...
简介:YOLOv11改进策略【Head】| AFPN渐进式自适应特征金字塔,增加针对小目标的检测头(附模块详解和完整配置步骤) 一、本文介绍 本文利用AFPN对YOLOv11的网络模型进行优化提升。AFPN采用渐近式融合及自适应空间融合操作。通过渐近式架构,逐步整合不同层级特征,有效避免非相邻层级间因语义差距过大导致的信息丢失或降级...
HSFPN结构中的特征选择与融合模块，能够筛选高层特征并集成低层信息，生成包含丰富语义的特征图，这些特征图进一步增强了模型对细微特征的检测能力。成功整合至YOLOv8框架：通过核心代码实现，HSFPN被成功融入YOLOv8框架，不仅保持了YOLOv8原有的高效性和实时性，还显著提升了其在小目标检测任务上的性能。
在FPN(特征金字塔网络)中,多尺度特征融合旨在聚合不同阶段backbone输出的特征,从而增强输出特征的表达能力,提高模型性能。传统的 FPN 引入自上而下的路径来合并多尺度特征。考虑到单向流量的限制,PAFPN增加了一个额外的自下而上的路径聚合网络,但增加了计算成本。为了降低计算强度,YOLO系列检测网络选择PAFPN和CSPNet来...
首先,我们融合了特征金字塔网络(FPN)的P2层信息,以获得更多的像素级信息,并补偿小脸的信息。然而,这样会导致大、中目标的检测精度略有降低,因为输出特征图的感受野变小了。为改善这种情况,我们为P5层设计了感受野增强(RFE)模块,通过使用空洞卷积来增大感受野。其次,受特征注意力网络(FAN)和ConvMixer[31]的启发,我们...
AFPN(渐进式特征金字塔网络)是在特征金字塔和特征融合模块基础上的进一步创新和优化。 AFPN不仅采用了特征金字塔的多尺度特征表示理念,还引入了高效和创新的渐进式特征融合策略,特别是非邻近层次的直接特征融合和自适应空间融合操作。 自适应空间融合操作解决了特征融合过程中的信息冲突问题 ...
本文独家改进：高层筛选特征金字塔网络（HS-FPN），在小目标检测领域发挥关键作用，显著提升模型对于不同尺度特征的表达能力，从而助力精准小目标检测。在BCCD医学数据集上，HS-FPN展现出卓越性能，实现爆炸式提升。MFDS-DETR模型 该模型由论文提出，旨在优化白细胞检测过程，解决传统方法的局限性。HS-FPN作为...