番外篇 | FFCA-YOLO复现：面向遥感图像的小目标检测最新方法 | 解决小目标检测特征表示不足和背景混淆等问题

前言：Hello大家好，我是小哥谈。在论文中，作者的动机是设计一个高精度同时具备潜在的实时处理能力的小目标检测器。由此，作者首先分别提出了特征增强模块（FEM）与空间上下文感知模块（SCAM）来丰富局部和全局的上下文特征信息。其中，FEM通过多分支卷积拓宽了骨干网络的感受野；SCAM通过构建全局上下文关系来确定小目标与全局特征的联系。对特征融合而言，作者又提出了特征融合模块（FFM），它可以在不增加计算复杂度的情况下利用通道信息重新加权不同的特征图，进而提升特征的融合策略。上述三个模块都被引入到YOLO模型中，形成了一个特征增强、融合与上下文感知的YOLO网络，作者称其为FFCA-YOLO。🌈

     目录

🚀1.基础概念

🚀2.网络结构

🚀3.添加步骤

🚀4.改进方法

💥💥步骤1：common.py文件修改

💥💥步骤2：yolo.py文件修改

💥💥步骤3：创建自定义yaml文件

💥💥步骤4：修改自定义yaml文件

💥💥步骤5：验证是否加入成功