特征融合篇 | YOLOv5/v7 引入 最新 BiFusion Neck | 附详细结构图
简介
在目标检测模型中,特征融合是至关重要的一步,它将来自不同尺度的特征进行融合,以获得更丰富的语义信息和更强的表达能力。传统的 YOLOv5 和 YOLOv7 模型使用 FPN(特征金字塔网络)作为颈部网络来进行特征融合,但 FPN 存在一些不足,例如:
- FPN 的自上而下特征传播路径容易导致信息丢失
- FPN 的特征融合方式过于简单,无法充分利用不同尺度特征之间的互补信息
为了解决这些问题,本文提出了一种新的方案,即使用 BiFusion Neck 来替换 YOLOv5 和 YOLOv7 中的 FPN。BiFusion Neck 是一种新型的颈部网络结构,它融合了自下而上和自上而下的特征传播路径,并采用了更复杂的特征融合方式,可以有效地提高特征融合的精度。
原理详解
BiFusion Neck 由以下几个部分组成:
- 自下而上的特征传播路径: BiFusion Neck 使用自下而上的特征传播路径将来自主干网络的浅层特征与深层特征进行融合。这种方式可以保留更多的特征信息,提高模型的鲁棒性。
- 自上而下的特征增强路径: BiFusion Neck 使用自上而下的特征增强路径将来自头部网络的高层特征与低层特征进