Z1986185459-CSDN博客

原创 YOLOv9 用于儿童手腕创伤 X 射线图像中的骨折检测

Moon提出了基于YOLOX模型的计算机辅助面部骨折诊断（CA-FBFD）系统，有效减少了医生在面部CT扫描中诊断面部骨折的工作量，虽然YOLO系列模型在医学图像识别上面是一个热门的研究话题，但是没有人将YOLOv9用在骨折检测方面。深度学习技术在医学图像中的应用[1-4]已经取得了越来越令人满意的结果，使其成为流行的研究热点，特别是在骨折检测方面[5-7]。2.本文采用YOLOv9算法解决X射线图像断裂检测中的信息丢失问题，旨在在低特征X射线图像的模型训练过程中保留更多信息，提高模型的性能。

2024-05-13 16:19:10 665

原创 An Improved YOLOv8 Algorithm for Rail SurfaceDefect Detection：改进的YOLOv8钢轨表面缺陷检测算法

摘要：针对铁路轨道表面缺陷检测中小目标和密集遮挡目标检测带来的问题，提出一种基于YOLOv8模型的铁路轨道缺陷检测算法。1、使用SPD-Conv替换原始YOLOv8n中的卷积，来增强模型对中小目标的关注，同时保留原始网络的结构。2、其次，我们将EMA注意力机制集成到neck中，使得模型能够利用不同层级的信息来提高特征表达能力。3、最后，我们使用Focal-SIoU损失函数代替原始的CIoU函数，调整正负样本的权重，对难以分类的样本进行更加严厉的惩罚。这一增强功能提高了模型准确识别具有挑战

2024-04-17 16:20:42 761 1

原创 The improved YOLOv8 algorithm based on EMSPConvand SPE‑head modules：基于EMSPConv和SPE-head模块的改进YOLOv8算法

摘要：针对大多数作物叶病检测算法模型复杂度高、泛化能力低、检测性能欠佳的挑战，本文提出了一种轻量级增强型YOLOv8算法。首先，通过结合 GhostNet 减少特征冗余的优点和 MobileNet 使用组卷积概念融合不同通道特征的能力，增强了主干网络。这提高了网络从大量相似的冗余特征图中提取关键特征的能力。其次，为了提高检测精度，同时减少模型参数和计算量，本文引入了 slim-Neck 模块。最后，针对检测头参数和计算量占模型一半以上的问题，论文利用共享参数的概念重构了检测头，并集成了增强多尺度信息识别

2024-04-01 15:20:32 1069

原创 RCS-YOLO：用于脑肿瘤的快速、高准确的检测

OSA的2.1，如图3所示。为了评估所提出的RCS-YOLO模型，我们使用了2020年脑肿瘤检测数据集（Br35H）[3]，“train”和“val”两个文件夹中共有701张图像，其中500张图像是“train”选择“val”文件夹中的其他201张图像作为训练集，而“val”文件夹中的其他201张图像作为测试集。尽管许多先进的CNN可以提供更高的精度，但复杂的多分支设计（例如ResNet中的残差加法和Inception中的分支串联）使得模型很难去实施和定制，降低了推理速度并且减少了内存的利用率。

2024-03-31 14:53:48 1072 1

原创 BGF-YOLO：增强型 YOLOV8 与多尺度注意力特征融合，用于脑肿瘤检测

BiFPN、AFPN、GFPN的结构是为了能够快速地将特征融合到各个层次上，并通过增加更多的层次来提高特征融合的效果，以满足不同层次特征融合的需要。我们对回归损失的影响进行了消融研究，包括计算两个轴对齐矩形之间的距离的广义 IoU (GIoU) 、距离 IoU (DIoU) 的最佳目标小于 CIoU ，高效 IoU (EIoU) 明确测量三个几何因素的差异，Scylla-IoU (SIoU) 重新定义了惩罚指标，WIoU v3 是基于两层注意力的动态非单调聚焦机制回归损失函数。

2024-03-27 10:31:32 1018

原创 YOLOv5和YOLOv8中隐藏标签，只显示检测框的方法

在我们平时发表论文的过程中，会遇到这样的需求，在进行推理的时候，仅需要在推理图片上面显示出检测框。不需要显示标签信息，尤其是在目标众多的时候，标签之间相互遮挡，使得图片的质量下降。话不多说，怎么实现这个过程，见下面步骤。在这个文件下面找到下面标红这一行，注释掉，然后进行推理，就不会有标签信息了。v5就比较简单了，网上有很多。这边我也列出来吧，方便大家使用。然后将hide-labels改为True就可以。在v5工程根目录下找到detect.py文件。就可以实现和上面v8一样的效果了。

2024-03-26 16:24:57 1155 5

原创 ASF-YOLO：一种基于注意力尺度序列融合的细胞实例分割YOLO模型

摘要：我们提出了一种基于注意力尺度序列融合的ASF-YOLO框架，该框架融合了空间和尺度特征，来实现快速准确的细胞实例分割。建立在YOLO分割框架上面，采用多尺度序列特征融合模块（SSFF）模块来增强网络的多尺度信息提取能力，采用三重特征编码器（TPE）模块来融合不同尺度的特征映射，增加详细信息。我们引入了通道和位置注意力机制（CPAM）来继承SSFF模块和TPE模块，它关注于信息通道和空间位置相关的小物体，以此来提高检测和分割性能。在两个细胞数据集上的实验表现了提出的ASF-YOLO模型的卓越的分割准

2024-03-26 15:33:27 797

Z1986185459的博客