改进YOLOv5：自研网络新结构，可作为创新点 | ALFNet YOLO | 创新必备

导读

在计算机视觉领域，深度学习已经取得了显著的进展，尤其是在目标检测任务中。然而，随着网络结构不断加深和复杂化，计算资源和内存需求也随之增加。提出了一种新的网络结构，名为ALFNet (Aggregated Lightweight Features Network)，该网络引入了LocalFeatureAggregator模块和LightweightMLP模块，以提高特征聚合能力和减轻计算负担。本文将详细介绍这两个模块的设计理念、使用方法和理论支持，以及在目标检测任务上的性能表现。

创作背景

随着深度学习在计算机视觉任务中的广泛应用，目标检测领域已经取得了重要的突破。然而，大多数高性能的目标检测模型通常需要庞大的计算资源和内存开销，这在很大程度上限制了它们在资源受限环境中的应用。为了解决这一问题，提出了一种新颖的网络结构，名为ALFNet (Aggregated Lightweight Features Network)。这个网络结构专注于在保持高检测性能的同时，降低计算和内存需求。并在此基础上，提出一种全局显式集中调节方案的目标检测算法，通过同时捕捉全局信息和局部角落特征，集成到PANet特征金字塔网络中，在自上而下的信息传递中，能获取更加集中的显示特征。与现有的特征金字塔相比，ALFNet不仅能够捕捉全局长距离依赖关系，还能高效地获得全面而具有区分性的特征表示。

改进如下：

1. 提出了一种深层特征集中方案，包括用于捕获全局长程依赖关系的轻量级 MLP 和用于汇集局部关键区域的可学习视觉中心。
2. 在特征金字塔中提出了一种更加强有效的特征集中调节方案。