YOLO
文章平均质量分 88
jhunmk29
这个作者很懒,什么都没留下…
展开
-
【YOLO改进】Efficient Decoupled Head解耦合头的添加
添加解耦合头原创 2023-10-27 13:39:38 · 2512 阅读 · 2 评论 -
YOLO改进:【损失函数篇】提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数
NWD损失函数助力小目标检测原创 2023-10-18 19:40:54 · 7735 阅读 · 1 评论 -
YOLO改进:动态卷积之有效推理的条件参数化卷积CondConv
动态卷积:CondConv在YOLO中的应用原创 2023-10-18 15:21:31 · 448 阅读 · 1 评论 -
YOLO改进:添加额外的检测头
在YOLO中添加浅层检测头,提高对小目标的检测能力,并在VisDrone数据集中进行测试原创 2023-10-14 13:21:45 · 6510 阅读 · 2 评论 -
YOLO改进:SPD模块--不再跨行卷积或池化:低分辨率图像和小对象的新CNN构建块
SPD-Conv可以防止小目标细粒度信息的丢失原创 2023-10-11 16:06:20 · 2872 阅读 · 4 评论 -
YOLO改进:添加多尺度特征提取模块Scale-Aware RFE Model
RFEM的结构很简单,该结构使用了三个不同空洞率(1、2、3)的空洞卷积提取特征以提取多尺度信息;此外,不同分支共享权重减少参数量;另外,使用残差连接防止梯度爆炸的问题;最后,将四个分支的特征相加得到输出的特征层。原创 2023-10-08 11:16:54 · 3222 阅读 · 1 评论 -
YOLO改进:轻量级通用上采样算子CARAFE
使用CARAFE算子改进YOLOv5模型,将YOLOv5中的所有上采样操作替换,在保持较少参数增加的同时,提高模型的检测精度。在VisDrone数据集中进行测试。原创 2023-10-11 09:49:14 · 6766 阅读 · 17 评论 -
YOLO改进:一种级联与并联结合的多尺度特征融合模块RFEM
该模块是由中提出。具体来说,输入特征图将经过三个不同空洞率(2,4,8)的空洞卷积,并依次进行通道拼接。该模块的优势在于,能够有效地捕获平衡的非局部上下文特征和局部目标特征,解决小目标局部语义缺失。如果F的分辨率是62*62,且感受野为1,那么R1、R2、R3、P的感受野分别是5、13、29、29。P的感受野达到F的一半大小,这将使得输出特征图包含足够的非局部背景信息。中的RFEM,其使用三个并联的空洞卷积融合不同尺度的特征信息。原创 2023-10-10 19:13:42 · 2481 阅读 · 10 评论