【YOLOv7/YOLOv5系列改进NO.51】融入多分支空洞卷积结构RFB-Bottleneck改进PANet构成新特征融合网络

---

前言

作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，YOLOv5算法2020年至今已经涌现出大量改进论文，这个不论对于搞科研的同学或者已经工作的朋友来说，研究的价值和新颖度都不太够了，为与时俱进，以后改进算法以YOLOv7为基础，此前YOLOv5改进方法在YOLOv7同样适用，所以继续YOLOv5系列改进的序号。另外改进方法在YOLOv5等其他算法同样可以适用进行改进。希望能够对大家有帮助。
具体改进办法请关注后私信留言！关注免费领取深度学习算法学习资料！

---

一、解决问题

常见的特征融合方式主要有 FPN、PANET和BIFPN。FPN 特征融合能够解决目标检测对小物体检测困难的问题，因为小物体的像素点数量要比大物体少很多，随着网络深度的加深，大物体的特征信息得以保留，而小物体的特征信息会越来越少。对于小目标信息丢失的问题，可通过多尺度图像金字塔解决， 图像金字塔其实就是对原图像进行不同尺度的采样得到的特征图组成的特征图 层，最底层的特征图分辨率最高，越往上分辨
率越低。而使用图像金字塔进行推理预测，计算量很大，不利于实际使用。为了解决该问题，FPN 通过上采样增大 图像的尺寸，然后与上一个浅层的特征图进行融合，并通过卷积提取特征