【YOLOv8改进 - 特征融合NECK】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数

最新推荐文章于 2024-09-30 14:16:32 发布

YOLO大师

最新推荐文章于 2024-09-30 14:16:32 发布

阅读量756

点赞数 34

分类专栏： YOLOV8基础解析+创新改进+实战案例文章标签： YOLO 人工智能目标检测 yolov8

原创文章，禁止任何形式转载！

本文链接：https://blog.csdn.net/shangyanaf/article/details/139877859

版权

YOLOV8基础解析+创新改进+实战案例专栏收录该内容

138 篇文章 122 订阅 ¥89.90 ¥99.00

订阅专栏

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO有效改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例

专栏链接: YOLO基础解析+创新改进+实战案例

介绍

摘要

在标准的医院血液检测中，传统过程需要医生使用显微镜从患者的血液显微图像中手动分离白细胞。然后，这些分离出的白细胞通过自动白细胞分类器进行分类，以确定血液样本中不同类型白细胞的比例和数量，从而辅助疾病诊断。这种方法不仅耗时费力，而且由于图像质量和环境条件等因素，容易出现错误，从而可能导致后续分类不正确和误诊。现代白细胞检测方法在处理具有较少白细胞特征的图像和不同白细胞规模差异方面存在局限性，导致大多数情况下结果不尽如人意。

为了解决这些问题，本文提出了一种创新的白细胞检测方法：多层次特征融合和可变形自注意力 DETR（MFDS-DETR）。为了解决白细胞规模差异问题，我们设计了高层次筛选特征融合金字塔（HS-FPN），实现多层次融合。该模型使用高层次特征作为权重，通过通道注意力模块过滤低层次特征信息，然后将筛选后的信息与高层次特征融合，从而增强模型的特征表达能力。此外，我们通过在编码器中引入多尺度可变形自注意模块，并在解码器中使用自注意和交叉可变形注意机制，解决了白细胞特征稀缺问题，这有助于提取白细胞特征图的全局特征。

通过与其他尖端白细胞检测模型在私有 WBCDD、公共 LISC 和 BCCD 数据集上的比较，验证了所提出的 MFDS-DETR 方法的有效性、优越性和通用性。我们的源代码和私有 WBCCD 数据集可在以下地址获得：https://github.com/JustlfC03/MFDS-DETR。