m0_51665349的博客

本文修改的模型是YOLOv10，YOLOv10无需非极大值抑制（NMS）进行后处理，其推理速度以及参数量上都优于现有的模型。在原本的YOLOv10网络结构中，骨干网络最后一层为PSA模块。本文在PSA模块后面追加新模块DCCA，该模块由核变形卷积AKConv、注意力模块CA（Coordinate attention）及特征融合模块TFAM组成。其中，AKConv卷积模块赋予卷积核任意数量的参数和任意采样形状，可以降低网络训练开销，同时提升模型的适应性。

本文修改的模型是YOLOv10，YOLOv10无需非极大值抑制（NMS）进行后处理，其推理速度以及参数量上都优于现有的模型。在原本的YOLOv10网络结构中，骨干网络最后一层为PSA模块。本文在PSA模块后面追加CCFM模块，并使用ODConv卷积模块提升模型的泛化性。

本文修改的模型是RT-DETR，在原本的RT-DETR中，CCFM模块输出的多尺度特征图作为 IoU-aware Query Selection的输入。本文将骨干网络及AIFI模块输出的特征图与CCFM模块输出的特征图使用DFM模块进行特征融合。DFM是一种基于密集连接的简单而有效的特征融合模块，可以减少特征不对齐，并计算出更准确的变化特征。

本文修改的模型是Deformable-，在原本的RT-DETR中，骨干网络的最高层级输出作为AIFI模块的输入，低层级特征图作为CCFM特征融合模块的输入。本文将骨干网络的输出先作为BiFPN（Bi-directional Feature Pyramid Network）金字塔网络的输入，在将BiFPN的输出作为AIFI模块和CCFM模块的输入。BiFPN通过在不同尺度的特征金字塔网络中引入双向连接，实现了跨层级的信息交流和融合。

本文修改的模型是RT-DETR，在原本的RT-DETR中，使用ResNet作为骨干网络，本文使用最新的VMamba（Visual State Space Model）替换ResNet作为RT-DETR的骨干网络。VMamba是一种全新的视觉框架，VMamba结合了CNNs和ViTs的优势，同时优化了计算效率，能够在保持全局感受野的情况下实现线性复杂度。

本文修改的模型是Deformable-DETR，在骨干网络和可变形编码器之间加入YOLOv10的PSA和SCDown模块。其中PSA是YOLOv10提出的一种高效的自注意力模块，为了避免注意力带来的巨额开销，本文将PSA应用于可变形编码器输入的最高层级特征图。SCConv是一种空间和通道解耦的卷积模块，本文将其应用于骨干网络输出的特征图的特征融合，提升模型的多尺度能力。

本文修改的模型是Deformable-DETR，在原本的Deformable DETR中，骨干网络的输出通过卷积层后直接作为可变形编码器的输入，无颈部网络。本文在Deformable DETR的骨干网络和可变形编码器之间加入渐近特征金字塔网络（AFPN）作为颈部网络。AFPN的核心在于引入了一种逐步特征融合策略，将底层和高层特征逐渐引入目标检测过程。通过这种方式，可以有效减小不同层次特征之间的语义差异，增强特征融合的效果，使检测模型更好地适应多层次的语义信息。

本文修改的模型是RT-DETR，在原本的RT-DETR中，CCFM的多尺度输入为AIFI及骨干网络的输出。本文在RT-DETR的CCFM模块输入的三个层级特征图之前使用I2U-Net的HIFA以提升模型的特征融合能力。I2U-Net是一种一种新颖的双路径 U-Net，其中提出了一种全面信息融合和增强模块（HIFA），可以有效地连接编码器和解码器。

是用于处理 COCO 数据集的 Python 工具包，提供数据加载、评估工具和可视化功能。它简化了目标检测和图像分割任务，比如计算检测精度、召回率和 IOU（Intersection over Union）。安装pycocotools。

本文修改的模型是Deformable-DETR，在原本的Deformable DETR中，骨干网络的输出通过卷积层后直接作为可变形编码器的输入，无颈部网络。本文在Deformable DETR的骨干网络和可变形编码器之间加入EfficientDet中的BiFPN作为颈部网络，提升模型的特征融合能力。

本文修改的模型是Deformable-DETR，修改的位置是在可变形编码器和可变形解码器之间，在可变形编码器和可变形解码器之间加入RT-DERT中的CCFM模块，CCFM模块的输入为可变形编码器的最高层级特征图以及backbone的输出。CCFM模块可以提升模型的特征融合能力。

本文修改的模型是Deformable-DETR，修改的位置是在可变形编码器和可变形解码器之间，在底层特征图中加入空洞卷积金字塔(ASPP)和注意力机制(ECA)，提升模型对小物体的目标检测能力。