YOLOv8全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力

最新推荐文章于 2025-03-18 13:31:11 发布
最新推荐文章于 2025-03-18 13:31:11 发布
阅读量308 收藏 2
点赞数
分类专栏： YOLOv8原创自研 文章标签： 目标跟踪 人工智能 计算机视觉 YOLO 开发语言 transformer 深度学习
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/m0_63774211/article/details/145260136
版权

 💡💡💡 提出了一种基于尺度的动态（SD）损失，它根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力。

💡💡💡根据目标尺度动态调整Sloss和Lloss的影响系数，以减少标签不准确对损失函数稳定性的影响。较小的目标在BBox标签的Sloss中获得较低的关注权重。掩码标签可以提高检测精度，特别是对于较小或形状不规则的目标

 

收录

YOLOv8原创自研

了解本专栏 订阅专栏 解锁全文
YOLOv8全网首发优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野
01-17 770
我们提出了一种新颖的风车形卷积（PConv）作为骨干网络下层标准卷积的替代品。PConv能更好地符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野，且只引入最小的参数增加。
YOLO11全网首发优化：卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积（PConv）符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野
01-17 1053
我们提出了一种新颖的风车形卷积（PConv）作为骨干网络下层标准卷积的替代品。PConv能更好地符合微弱小目标的像素高斯空间分布，增强特征提取，显著增加接受野，且只引入最小的参数增加。
风车形卷积（PConv）详解及代码复现
hasakie的博客
01-20 2289
在实际应用中，PConv的特征提取过程可以与其他先进的卷积技术（如可变形卷积）结合使用，以进一步提升模型的性能和适应性。例如，可以在PConv的基础上引入可变形卷积，使卷积核能够根据目标的形状和位置进行更灵活的调整，从而更好地捕捉目标的特征。研究表明，采用这些优化方法的PConv模型在处理大规模图像数据时，能够实现数倍甚至数十倍的加速，同时保持与原始模型相当的性能。例如，在处理3D的血管、气管等复杂结构时，PConv能够动态调整卷积核和mask矩阵，更好地捕捉目标的空间特征。
【YOLO11改进trick】Pinwheel-shaped Conv风车状卷积引入YOLO11，含创新点代码，方便发论文
向上生长的程序媛的博客
02-20 1801
将PConv风车状卷积引入到YOLO11中的创新点及python代码
YOLO11改进-模块-引入风车状卷积模块pinwheel-shaped convolutional module
qq_64693987的博客
01-24 2665
PConv 的设计基于红外小目标的高斯空间分布特性。其卷积核的感受野向外有效性递减，类似高斯分布，且小目标特征更集中于中心，凸显中心特征的重要性。PConv 利用分组卷积，在显著扩大感受野的同时，尽可能减少参数数量的增加。通过不对称填充，创建针对图像不同区域的水平和垂直卷积核，这些卷积核向外扩散，能够更好地捕捉红外小目标的特征，增强底层特征提取能力，提升对红外小目标的检测性能。风车状卷积模块（PConv）的结构主要包含以下几个关键部分：1. 不对称填充与并行卷积。
【即插即用完整代码】AAAI 2025 新型风车形卷积PConv，大感受野，可替换标准卷积！
m0_58508552的博客
01-17 1578
【即插即用完整代码】AAAI 2025 新型风车形卷积PConv，大感受野，可替换标准卷积！
YOLOv10全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力
01-20 156
较小的目标在BBox标签的Sloss中获得较低的关注权重。掩码标签可以提高检测精度，特别是对于较小或形状不规则的目标
YOLOv5全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力
02-08 288
提出了一种基于尺度的动态（SD）损失，它根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力。
YOLO11全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力
01-20 676
根据目标尺度动态调整Sloss和Lloss的影响系数，以减少标签不准确对损失函数稳定性的影响。较小的目标在BBox标签的Sloss中获得较低的关注权重。掩码标签可以提高检测精度，特别是对于较小或形状不规则的目标
YOLOv12全网首发优化：损失篇 | AAAI 2025 | 一种基于尺度的动态（SD）损失，根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力
最新发布
03-18 114
 提出了一种基于尺度的动态（SD）损失，它根据目标大小动态调整尺度和位置损失的影响，提高了网络检测不同尺度目标的能力。
【AAAI2025】风车卷积替代标准卷积，增强了底层特征提取能力
weixin_59422604的博客
02-25 1288
作者提出了一种新颖的风车形卷积（PConv）模块，用于替代标准卷积。该模块更好地符合红外小目标（IRST）的高斯空间分布特性，增强了底层特征提取能力，并显著扩展了感受野，同时仅引入了极少的参数增加。
Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared——风车形卷积与基于尺度的动态损失用于红外小目标检测
Together_CZ的博客
02-18 1209
Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection——风车形卷积与基于尺度的动态损失用于红外小目标检测
YOLOv10原创自研：卷积魔改 | 一种新颖的风车形卷积（PConv）融合注意力机制，加强微弱小目标检测能力
02-25 315
为了进一步提升小目标检测能力，风车形卷积（PConv）融合注意力机制进一步提升小目标检测能力
【Block总结】PConv风车卷积，更大的感受野，提高特征提取能力|即插即用
AI浩
01-22 1428
该论文通过引入Pinwheel-shaped Convolution和Scale-based Dynamic Loss，为红外小目标检测提供了新的思路和方法。PConv的设计使得卷积操作更适应红外图像的特性，而SD Loss则有效提升了模型对不同尺度目标的检测能力。实验结果验证了这些创新的有效性，表明该方法在实际应用中具有良好的前景，尤其是在军事和民用领域的红外监测任务中。
【Opencv项目实战】目标检测：自动检测出现的所有动态目标
shinuone的博客
02-24 4539
项目思路：1、获取视频、读取帧图像。2、计算连续两张图像的像素绝对差获取动态目标。3、图像预处理：灰度图、高斯模糊、二值化、膨胀。4、轮廓检测、绘制矩阵轮廓、绘制物体轮廓。5、分别实时显示矩阵轮廓、物体轮廓。
YOLOv8模型改进 第十一讲 添加自适应阈值焦点损失（ATFL）函数解决类别不平衡
qq_64693987的博客
10-22 3945
自适应阈值焦点损失（Adaptive Threshold Focal Loss，ATFL）是一种用于目标检测和分割任务的损失函数，旨在解决类别不平衡问题并提高模型对难以分类样本的关注。ATFL 的设计灵感源自焦点损失（Focal Loss），后者通过降低易分类样本的损失权重来集中模型的注意力于难以分类的样本上。自适应性：ATFL 根据每个样本的特征和模型的输出自适应地调整损失权重。它能够动态地根据预测结果和真实标签之间的差异，调整阈值，使得模型在训练时更加关注难以分类的样本。焦点机制。
YOLOv8详解:损失函数、Anchor-Free、样本分配策略；以及与v5的对比
热门推荐
qq_41848886的博客
08-16 5万+
v8的损失函数、Anchor-Free、样本分配策略介绍，以及和v5的对比
超经典！分割任务数据集介绍。
jijiarenxiaoyudi的博客
11-27 7160
图像分割数据集总结！超详细！
AI项目十八：YOLOV8自训练关键点检测
12-16 6924
若该文为原创文章，转载请注明原文出处。记录学习YOLOV8过程，自训练关键点检测模型。清华源：-i。
AAAI 2021：对比学习领域五篇重要论文解读
作者通过分析对比损失函数的特点，提出了一种优化策略，使得模型能够更快地收敛并提高鲁棒性。实验结果显示，该方法在多个基准测试中均达到了先进的性能。 五、论文《Learning to Compare: Relation Network for ...
评论
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

AI小怪兽

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