爆改YOLOv8|利用特征融合网络FFA-Net改进YOLOv8-模糊图片检测

最新推荐文章于 2025-03-13 10:13:32 发布

不想敲代码！！！

最新推荐文章于 2025-03-13 10:13:32 发布

阅读量1.7k

点赞数 12

分类专栏：爆改yolov8，即插即用文章标签： YOLO 深度学习计算机视觉 yolov8 目标检测 python 人工智能

本文链接：https://blog.csdn.net/weixin_43986124/article/details/142027757

版权

1，本文介绍

FFA-Net（Feature Fusion Attention Network）主要用于图像去雾任务，其核心思想是通过特征融合注意力网络直接恢复无雾图像。它的架构包括以下三个关键组件：

特征注意力（Feature Attention, FA）模块：结合通道注意力（Channel Attention）和像素注意力（Pixel Attention）机制。通道注意力处理不同通道的特征信息，而像素注意力则关注不同像素上的雾分布差异。FA模块通过灵活地调整特征和像素的重要性，提升了卷积神经网络的表示能力，处理了雾的复杂分布。
基本块结构：包括局部残差学习（Local Residual Learning）和特征注意力。局部残差学习允许不重要的信息（如轻雾区域或低频成分）被绕过，使网络更加关注关键的去雾信息，同时保留了局部细节。
基于注意力的不同级别特征融合（FFA）结构：通过FA模块自适应学习特征权重，为重要特征分配更高的权重。这种结构不仅保留了浅层的信息，还有效地将其传递到深层，以提升去雾效果。

这种设计使FFA-Net能够更有效地恢复图像细节和真实颜色，提升去雾效果。

关于FFA-Net的详细介绍可以看论文：https://arxiv.org/pdf/1911.07559.pdf

本文将讲解如何将FFA-Net融合进yolov8

话不多说，上代码！

2，将FFA-Net融合进yolov8

2.1 步骤一

找到如下的目录'ultralytics/nn/modules'，然后在这个目录下创建一个FFANet.py文件，文件名字可以根据你自己的习惯起，然后将FFA-Net的核心代码复制进去。

import torch.nn as nn
import torch
__all__ = (
    FFA,
)
def default_conv(in_channels, out_channels, kernel_size, bias=True):
    return nn.Conv2d(in_channels, out_channels, kernel_size, padding=(ke