YOLOv8改进 | Neck篇 | 2024.1最新MFDS-DETR的HS-FPN改进特征融合层（降低100W参数，全网独家首发）

已于 2024-01-29 21:55:17 修改
阅读量7.3k 收藏 37
点赞数 6
分类专栏： YOLOv8有效涨点专栏 文章标签： 深度学习 计算机视觉 YOLO pytorch 人工智能 目标检测 python
于 2024-01-29 08:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/java1314777/article/details/135877640
版权
本文详细介绍了HS-FPN结构，一种针对白细胞检测的网络设计，用于解决多尺度问题。HS-FPN包含特征选择模块和特征融合模块，通过通道注意力和维度匹配筛选特征，使用选择性特征融合增强模型表现。文章提供了核心代码修改指导和yaml文件，适合对YOLOv8进行轻量化改进的研究者。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

本文给大家带来的改进机制是最近这几天最新发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。它的基本原理包括两个关键部分：特征选择模块和特征融合模块，在本文的下面均会有讲解，这个结构是非常新颖的，代码仅仅更新了三天。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，利用该结构参数量下降至197W，计算量降低至7.0GFLOPs，本文结构为我独家复现，全网目前无第二份大家可以抓紧使用。

欢迎大家订阅我的专栏一起学习YOLO！ 

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备  

目录

一、本文介绍

二、HS-FPN原理

2.1  HS-FPN的基本原理

2.2  SSF模块

三、HS-FPN的核心代码

四、手把手教你添加HS-FPN

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

4.5 修改五

五、HS-FPN的yaml文件和运行记录

5.1 HS-FPN的yaml文件一

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | Neck篇 | 2024.1最新MFDS-DETR的HS-FPN改进特征融合层
走向CTO的路上...
08-31 1661
HS-FPN（Hierarchical Feature Selection and Fusion Neck）是2024年1月提出的最新轻量级颈部网络结构，它是在MFDS-DETR的基础上改进而来，旨在进一步降低模型参数量和计算复杂度，同时提升模型性能。HS-FPN在YOLOv8模型中得到了成功应用，取得了显著的效果。HS-FPN是一种轻量级且高效的颈部网络结构，它能够显著降低模型参数量和计算复杂度，同时提升模型性能。HS-FPN在YOLOv8模型中得到了成功应用，取得了显著的效果。
【RT-DETR有效改进】2024.1最新MFDS-DETR的HS-FPN改进特征融合层（降低100W参数，全网独家首发）
Snu77的博客
01-30 2199
本文给大家带来的改进机制是最近这几天最新发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。特征选择模块和特征融合模块在本文的下面均会有讲解，这个结构是非常新颖的，代码仅仅更新了三天。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，利用该结构参数量下降至197W，计算量降低至7.0GFLOPs。
yolov11改进|特征融合金字塔HSFPN|小目标检测
qq_58467323的博客
10-31 2200
【代码】yolov11改进|特征融合金字塔HSFPN|小目标检测。
【注意力机制集锦】Channel Attention通道注意力网络结构、源码解读系列一
日拱一卒，功不唐捐
05-08 1万+
本文从原文、网络结构、代码实现三个方面系统总结了SENet、SKNET、CBAM三种注意力机制
Channel Attention 通道注意力
热门推荐
家鸽的代码屋
10-21 3万+
通道注意力总结SE-Net:Squeeze-and-Excitation NetworksCBAM: Convolutional Block Attention ModuleECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEPSANet: An Efficient Pyramid Squeeze Attention Block on Convolutional Neural NetworkFcaNet: F
YOLOv9改进策略 | Neck篇 | 2024.1最新MFDS-DETR的HS-FPN改进特征融合层（轻量化Neck、全网独家首发）
Snu77的博客
04-19 2896
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv9改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏​​​​​​​。
YOLOv11改进 | Neck篇 | 2024最新MFDS-DETR的HS-FPN改进yolov11特征融合层（全网独家首发）
Snu77的博客
11-10 2235
本文给大家带来的最新改进机制是最近这几天发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。特征选择模块和特征融合模块在本文的下面均会有讲解，这个结构是非常新颖的。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，利用该结构参数量下降至197W，计算量降低至7.0GFLOPs，本文结构为我独家复现，全网目前无第二份大家可以抓紧使用。
YOLOv5改进 | Neck篇 | 2024.1最新MFDS-DETR的HS-FPN改进特征融合层（轻量化Neck、全网独家首发）
Snu77的博客
02-03 2531
本文给大家带来的改进机制是最近这几天最新发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。特征选择模块和特征融合模块，在本文的下面均会有讲解，这个结构是非常新颖的，代码仅仅更新了三天。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，利用该结构参数量下降至197W，计算量降低至7.0GFLOPs，
从代码学习深度学习 - 预训练word2vec PyTorch版
weixin_43887510的博客
05-20 1355
词嵌入（Word Embeddings）是自然语言处理（NLP）领域中的基石技术之一。它们将词语从稀疏的、高维的独热编码（one-hot encoding）表示转换为稠密的、低维的向量表示。这些向量能够捕捉词语之间的语义和句法关系，使得相似的词在向量空间中距离更近。Word2Vec是其中一种非常流行且有效的词嵌入算法，由Google的Tomas Mikolov等人在2013年提出。
Python----循环神经网络（LSTM：长短期记忆网络）
weixin_64110589的博客
05-23 864
RNN在处理长序列时存在长期依赖问题，即随着序列增长，模型难以记住较早时刻的信息，导致梯度消失或爆炸。为解决这一问题，LSTM（长短期记忆网络）被提出，它通过引入门控机制（输入门、遗忘门、输出门）来选择性保留或丢弃信息，从而更好地捕捉长期依赖关系。LSTM的输入门决定新信息的保留程度，遗忘门控制旧信息的遗忘程度，细胞状态则通过选择性更新来存储记忆。虽然LSTM不能完全避免梯度消失或爆炸，但它通过门控机制显著改善了这一问题，使其在处理长序列时表现更优。
什么是 AI 人工智能？什么是机器学习？什么是深度学习？三者啥关系
人工智能研究所的博客
05-20 1069
AI 到底是个啥？跟咱有啥关系？一文帮你搞懂！ 最近是不是老听到 “AI”、“人工智能” ，“机器学习”，“深度学习”这些词？感觉挺高大上，但又有点懵？别担心，今天咱们就用大白话聊聊，AI 到底是个啥玩意儿！
人工智能、机器学习与深度学习：概念解析与内在联系
weixin_62200515的博客
05-19 1490
人工智能、机器学习与深度学习是一脉相承的技术体系，体现了人类对机器智能从抽象概念到具体实现的探索历程。人工智能提供宏观目标，机器学习定义实现路径，深度学习则是当前最具突破性的技术分支。 未来，三者的融合将推动人工智能向更通用、更智能、更可靠的方向发展，同时也需关注技术伦理、社会影响等深层问题。对于研究者和从业者而言，理解三者的联系与区别，有助于在不同场景中选择合适的技术方案，把握人工智能领域的发展脉络。
机器学习、深度学习，大模型之间的关系？
2501_92069919的博客
05-20 866
人工智能（AI）技术中的机器学习、深度学习和大模型是相互关联的概念。机器学习是获取模型的一种方法，而深度学习是机器学习的一个子集，专注于使用深度神经网络进行建模。大模型，如语言或图像大模型，通常基于深度学习技术构建。在实际应用中，大模型可以直接解决某些问题，但在其他情况下，可能需要调整模型参数或选择更适合的机器学习方法。重要的是，选择AI技术时应考虑其与业务需求的匹配度，而不是盲目追求大模型技术。理解这些技术的关系和适用场景，有助于更有效地应用AI解决实际问题。
【深度学习新浪潮】如何入门人工智能？
agito_cheung的博客
05-19 173
入门人工智能（AI）需要结合数学基础、编程技能、机器学习理论和实践项目，逐步深入。：AI入门有门槛，但通过“理论→实践→复盘”的循环，逐步积累即可。初期遇到问题很正常，多查资料、多交流，保持耐心！：全职学习约3-6个月可掌握基础并完成简单项目，后续需持续实践和跟进领域进展。：不必追求精通，但需掌握基本概念和应用场景，后续通过实践加深理解。
图解深度学习 - 人工智能、机器学习和深度学习
2503_90237586的博客
05-23 527
不仅有配套教程讲义还有对应源码数据集，更有零基础入门学习路线，不论你处于什么阶段，这份资料都能帮助你更好地入门到进阶。为了方便大家学习，我整理了一份。需要的兄弟可以按照这个图的方式。
学习深度学习是否要先学习机器学习？
2501_91695603的博客
05-17 1483
不管你后面是不是真的想要从事机器学习或者深度学习这方面，我都希望你能有时间去学习的时候，多多的了解一下 AI 技术 ，还是那句话，时间紧的情况下，怎么快速的为目标服务是最重要的，先学对自己有用自己需要的内容。就比如我给计算机一些动物的图片，然后告诉计算机哪个是老虎，哪个是狮子，计算机根据我给出的“图片和答案的特征”去学习“老虎为什么是老虎，狮子为什么是狮子”。这三部分看着挺唬人，其实只需要学习需要的内容，如果你的时间稍微宽裕一点，可以花一个半月左右的时间，如果时间紧，那就压在一个月以内一鼓作气的搞定。
生成模型——PixelRNN与PixelCNN
最新发布
大摆王的博客
05-24 1007
PixelRNN 是一种基于循环神经网络（RNN）的像素级生成模型，通过逐个像素地生成图像来构建完整的图像，其核心思想是将图像中的像素视为序列，并利用 RNN 的能力来捕捉像素之间的依赖关系。PixelCNN 是一种基于卷积神经网络（CNN）的像素级生成模型，它使用掩码卷积来捕捉像素之间的依赖关系。
深度学习之用CelebA_Spoof数据集搭建一个活体检测-用MNN来推理时候如何利用Conan对软件包进行管理
ak47maker的博客
05-20 1085
本文介绍了使用Conan作为C/C++包管理器来管理项目依赖的详细步骤。Conan是一个专为C/C++设计的去中心化包管理器，支持多平台和交叉编译，能够自动下载和编译所需的库文件，简化了依赖管理的过程。文章首先提到了在深度学习项目中如何使用MNN进行模型推理，并指出Conan在编译和依赖管理中的重要性。接着，详细说明了如何安装和配置Conan，并展示了项目结构中的关键配置文件conanfile.txt和CMakeLists.txt。conanfile.txt用于声明项目依赖的第三方库及版本，配置构建选项和生
图解深度学习 - 机器学习简史
2503_90237586的博客
05-23 1109
不仅有配套教程讲义还有对应源码数据集，更有零基础入门学习路线，不论你处于什么阶段，这份资料都能帮助你更好地入门到进阶。为了方便大家学习，我整理了一份。需要的兄弟可以按照这个图的方式。
评论 16
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值