YOLOv9/YOLOv8算法改进【NO.119】 使用红外小物体检测网络（HCFNet网络模块）改进yolo算法

  前   言
       YOLO算法改进系列出到这，很多朋友问改进如何选择是最佳的，下面我就根据个人多年的写作发文章以及指导发文章的经验来看，按照优先顺序进行排序讲解YOLO算法改进方法的顺序选择。具体有需求的同学可以私信我沟通：

首推，是将两种最新推出算法的模块进行融合形成最为一种新型自己提出的模块然后引入到YOLO算法中，可以起个新的名字，这种改进是最好发高水平期刊论文。后续改进将主要教大家这种方法，有需要的朋友可私信我了解。

第一，创新主干特征提取网络，将整个Backbone改进为其他的网络，比如这篇文章中的整个方法，直接将Backbone替换掉，理由是这种改进如果有效果，那么改进点就很值得写，不算是堆积木那种，也可以说是一种新的算法，所以做实验的话建议朋友们优先尝试这种改法。

第二，创新特征融合网络，这个同理第一，比如将原yolo算法PANet结构改进为Bifpn等。

第三，改进主干特征提取网络，就是类似加个注意力机制等。根据个人实验情况来说，这种改进有时候很难有较大的检测效果的提升，乱加反而降低了特征提取能力导致mAP下降，需要有技巧的添加。

第四，改进特征融合网络，理由、方法等同上。

第五，改进检测头，更换检测头这种也算个大的改进点。

第六，改进损失函数，nms、框等，要是有提升检测效果的话，算是一个小的改进点，也可以凑字数。

第七，对图像输入做改进，改进数据增强方法等。

第八，剪枝以及蒸馏等，这种用于特定的任务，比如轻量化检测等，但是这种会带来精度的下降。

...........未完待续

一、创新改进思路或解决的问题

 💡💡💡使用[HCFNet](https://github.com/zhengshuchen/HCFNet)中的Parallelized Patch-Aware Attention Module模块改进C2f。HCFNet网络提出了一种深度学习方法HCF-Net，该方法通过多个实用模块显著提高了红外小目标检测性能。通过融入相关模块可以提高在红外小目标检测方面的效果。

二、基本原理 

原文：[2403.10778] HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection (arxiv.org)

摘要：红外小物体检测是一项重要的计算机视觉任务，涉及红外图像中微小物体的识别和定位，红外图像通常只包含几个像素。然而，由于物体的尺寸很小，而且红外图像的背景通常很复杂，因此它遇到了困难。在本文中，我们提出了一种深度学习方法HCF-Net，该方法通过多个实用模块显著提高了红外小目标检测性能。具体来说，它包括并行化贴片感知注意力 （PPA） 模块、维度感知选择性集成 （DASI） 模块和多扩张通道细化器 （MDCR） 模块。PPA 模块使用多分支特征提取策略来捕获不同规模和级别的特征信息。DASI模块支持自适应通道选择和融合。MDCR模块通过多个深度可分离的卷积层捕获不同感受野范围的空间特征。

三、​添加方法

部分代码如下所示，具体可关注后加我下方小卡片联系我获取。yolov8n为baseline。

四、总结

预告一下：下一篇内容将继续分享深度学习算法相关改进方法。有兴趣的朋友可以关注一下我，有问题可以留言或者私聊我哦

PS：该方法不仅仅是适用改进YOLOv8，也可以改进其他的YOLO网络以及目标检测网络，比如YOLOv7、v6、v4、v3，Faster rcnn ，ssd等。

最后，有需要的请关注私信我吧。关注免费领取深度学习算法学习资料！