《LF-YOLO》阅读笔记

LF-YOLO

改进模块：RMF（多尺度改进模块），EFE（减少计算量）

• 提出了一种名为RMF 的新型多尺度融合模块。它可以通过同时使用基于参数和无参数的方法来结合 X 射线图像的局部和全局线索。
• 为了有效地学习表征，设计了一个新的 EFE 模块作为主干单元，它可以用很少的参数和低计算量提取有意义的特征。

Multi-scale feature utilization

​ 现有的基于 CNN 的算法存在卷积特征在对象检测任务中对尺度敏感的问题。 许多方法试图通过利用多尺度特征使网络适应不同的尺度，我们将它们分为两类：基于参数的方法和无参数的方法。

Parameter-based method

​ 可学习参数可以利用和提取不同尺度的隐式特征。 扩张卷积通过改变卷积的扩张比来聚合多尺度上下文信息。 ASPP在输入特征图上以不同的速率操作扩张卷积。 然后，最后将通过不同分支提取的特征连接起来，以组合来自不同感受野的信息。 在ASSP的基础上，RFBNet 进一步引入了具有不同内核大小的卷积，以增强学习特征的尺度差异。（不同卷积核大小，多种感受野–特征图输出前）