改进的YOLO：AF-FPN替换金字塔模块提升目标检测精度

已于 2022-10-11 23:49:08 修改
阅读量1k 收藏 1
点赞数
分类专栏： 目标检测 深度学习 文章标签： 算法 计算机视觉 目标检测
于 2022-09-17 12:00:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gzq0723/article/details/126913002
版权
本文介绍了一种改进的特征金字塔模型AF-FPN，用于增强YOLOv5在目标检测，尤其是多尺度交通标志检测的性能。AF-FPN结合自适应注意力模块（AAM）和特征增强模块（FEM），减少了信息丢失并提升了特征表示能力。研究还提出自动学习数据增强策略，以改善模型的鲁棒性。实验证明，这些改进在保持实时检测的同时，提高了YOLOv5在Tsinghua-Tencent 100K数据集上的检测精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

关注并星标，从此不迷路

计算机视觉研究院

源代码：https://arxiv.org/pdf/2112.08782.pdf

计算机视觉研究院专栏

作者：Edison_G

随着世界迈向第四次工业革命，电动车越来越普遍，但是路上的交通标志也五花八门，如果利用计算机视觉技术可以全部检测识别，那也是一大进步！

一、前言

5c98d8ff27de292a1d55a3df73068768.jpeg

交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务，特别是对于多尺度目标的检测和检测的实时性问题。在交通标志检测过程中，目标的尺度变化很大，会对检测精度产生一定的影响。

了解本专栏 订阅专栏 解锁全文
FPN的改进----引入融合因子(fusion factor)提升对小目标的检测能力
weixin_42108090的博客
01-30 5205
原文链接： Effective Fusion Factor in FPN for Tiny Object Detection 本文提出了一种新的概念：融合因子（fusion factor），以控制深层传递到浅层的信息，以使FPN适应小目标的检测，实验证明，在小目标检测数据集上（如TinyPerson）性能提升明显。 动机 An intuitive question arises: why current FPN-based detectors unfit tiny object detection and
改进版AsymptoticFPN：提升目标检测性能的渐进特征金字塔网络AFPN
IlgCrystal的博客
09-20 1862
具体而言，AFPN通过渐进连接和特征融合两个改进措施，实现了非相邻层之间的信息传递和特征融合。为了进一步提升YOLO系列算法的性能，研究人员提出了改进版的AsymptoticFPN（AFPN），该网络加强了非相邻层之间的直接交互，从而实现了更好的目标检测效果。具体而言，AFPN在特征融合阶段采用了自适应的融合权重，使得不同层级的特征可以以适当的比例进行融合。具体来说，AFPN首先将最底层的特征图进行上采样得到一个更高分辨率的特征图。然后，将该特征图与上一层的特征图进行逐元素相加，得到一个融合后的特征图。
YOLOV5增加AFPN
Cgyaobiye的博客
01-05 1456
位置在如图，def parse_model(d, ch): # model_dict, input_channels(3)下。2.yolov5s.yaml改为。1.common.py加入。3.yolo.py 加入。总体来说和BiFPNl类似。
改进的YOLOv5：AF-FPN替换金字塔模块提升目标检测精度
热门推荐
gzq0723的博客
12-21 1万+
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式源代码：https://arxiv.org/pdf/2112.08782.p...
AF-FPN-YOLO5一种实时多尺度交通标志检测网络
爱CV
12-27 3885
Improved YOLOv5 network for real-time multi-scale traffic sign detection 交通标志检测对于无人驾驶系统来说是一项具有挑战性的任务，尤其是多尺度目标检测和检测的实时性问题。在交通标志检测过程中，目标的规模变化很大，会对检测精度产生一定的影响。特征金字塔是解决这一问题的常用方法，但它可能会破坏交通标志在不同尺度上的特征一致性。而且，在实际应用中，普通方法难以在保证实时检测的同时提高多尺度交通标志的检测精度。 本文提出了一种改进的特..
【目标检测】FPN
博观约取，厚积薄发
02-24 1564
Feature Pyramid Networks for Object Detection 摘要 5 FPS on a GPU（有点慢） 1. 引言 d 为FPN，速度和 b、c相似，但是更精准。图中，蓝色框表示特征图，粗的框表示语义强壮的特征。 These pyramids are scale-invariant in the sense that an object’s scale change is offset by shifting its level in the pyramid.
可以写改进的YOLO:AF-FPN替换金字塔模块提升目标检测精度方法的PYTHON代码吗
05-05
因此，一种改进的方法是使用自适应特征金字塔网络（Adaptive Feature Pyramid Network，简称AF-FPN）来替换金字塔模块。 AF-FPN是一种可以自适应地生成多尺度特征图的网络。它可以根据输入图像的大小和目标的大小...
又一款改进的yolo-AF-FPN
whaosoft143ai的博客
09-17 2457
在今天分享中，研究者提出了一种改进的特征金字塔模型，命名为AF-FPN，它利用自适应注意力模块（AAM）和特征增强模块（FEM）来减少特征图生成过程中的信息丢失并增强表示能力的特征金字塔。将YOLOv5中原有的特征金字塔网络替换为AF-FPN，在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。FEM主要利用空洞卷积根据检测到的交通标志的不同尺度自适应学习每个特征图中不同的感受野，从而提高多尺度目标检测和识别的准确性。后一部分增强了特征金字塔的表示并加快了推理速度，同时实现了最先进的性能。
YOLOv5改进AsymptoticFPN：优化渐近特征金字塔网络，增强非相邻层的直接交互，提升YOLO系列计算机视觉的效率
IpyVariable的博客
09-24 733
为了解决这个问题，本文提出了一种改进的AsymptoticFPN（AFPN）算法，该算法通过优化特征金字塔网络，增强了非相邻层之间的直接交互，提高了目标检测的效率和准确性。该改进的AFPN通过增强非相邻层之间的直接交互，提高了特征传递的效率和准确性。该算法通过增强非相邻层之间的直接交互，提高了特征传递的效率和准确性。改进的AFPN通过增强非相邻层之间的直接交互，有效地传递特征信息，从而提高了目标检测算法的性能。需要注意的是，以上代码仅展示了改进的AFPN算法的基本实现，并未包含完整的YOLOv5算法框架。
目标检测YOLO实战应用案例100讲-基于无人机的运动目标检测
qq_36130719的博客
11-14 806
无人机（Unmanned Aerial Vehicle, UAV）是指由机载计算机自动控制或由 地面飞行员远程控制的无人驾驶飞行器。20世纪末，随着定位技术和通信技术 的发展，无人机在军用领域初露锋芒。21世纪初，微型化技术让研制便携式无 人机成为可能，研究人员研发了“渡鸦”固定翼无人机，该无人机配备摄像头 和视频接收器，起飞后可以通过视频接收器在屏幕上看到图像。“渡鸦”可以手 动投掷起飞，活动范围10公里，后续通过自动驾驶到接近悬停的方式后自行着 陆。
YOLOv8改进FPN结构｜EffQAFPN：高效网络结构的量化感知神经网络设计
QvisCs的博客
09-14 1190
这不仅减少了网络的计算量，还提高了模型在资源有限的设备上的部署能力。综上所述，YOLOv8改进FPN结构（EffQAFPN）是一种高效的目标检测网络，它结合了量化感知神经网络设计的思想和FPN结构的优势。EffQAFPN的网络结构采用了自底向上和自顶向下的特征融合方法，以提高多尺度的目标检测能力。EffQAFPN结合了量化感知神经网络设计的思想，以及对FPN结构的优化，展现出强劲的表现。以上代码展示了EffQAFPN的基本结构，你可以根据具体任务的需求来定义和修改网络的架构。
FPN设计新范式 | You Should Look At New Objects
CV_Autobot的博客
07-20 306
作者 | 汽车人编辑 | Autobot目前，公众号正向大家广泛征稿中，欢迎童鞋们投稿，我们将有一定的稿费支持哦，详细信息请点击：汽车人，快来投稿了！点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取特征金字塔网络（FPN）是目标检测器的关键组件之一。然而，长期以来一直困扰研究人员的难题是，引入 FPN 后，通常会抑制大物体的检测性能。为此，本文首先重新...
AugFPN：改进多尺度特征学习用于目标检测
TJMtaotao的博客，高校计算机教师
12-31 1万+
Chaoxu Guo1, Bin Fan1, Qian Zhang2, Shiming Xiang1, and Chunhong Pan1 1NLPR,CASIA 2Horizon Robotics 1{chaoxu.guo, bfan, smxiang, chpan}@nlpr.ia.ac.cn 2qian01.zhang@horizon.ai 本文工作是基于Faster R-CNN 的改进，...
深入浅出之FPN （Feature Pyramid Networks for Object Detection）网络
最新发布
浩瀚之水的专栏
09-15 1万+
FPN网络是在2017年的CVPR会议上提出的，主要目的是通过特征融合的方式，在不显著增加计算量的情况下，提升多尺度目标的检测性能，尤其是对小目标的检测能力。它通过构建多尺度特征金字塔，将高层特征图的语义信息与低层特征图的空间信息进行融合，生成具有丰富多尺度信息的特征表示。
一个FPN模型的布局优化算例
山里娃的博客
05-07 575
下图分布为不同分辨率，不同散热空大小以及热源： 分辨率200*200，孔是1/8边长，热源3个 分辨率50*50，孔1/4，热源3个 50*50，孔1/4，热源20个
基于改良FPN的微小目标检测算法
2301_79326559的博客
09-08 502
其次，研究人员在FPN的顶层引入了额外的上采样分支，用于提取微小目标的高分辨率特征。近期，浙江大学的研究人员提出了一种基于改良的特征金字塔网络（FPN）的微小目标检测方法。该方法针对微小目标的检测问题进行了改进，通过优化特征金字塔网络的结构和增强其感知能力，实现了更准确和高效的微小目标检测。FPN是一种常用于目标检测任务的网络结构，通过在不同的网络层级上建立特征金字塔，实现对不同尺度目标的检测。然而，传统的FPN在处理微小目标时存在一定的局限性，因为微小目标往往具有较低的分辨率和较少的上下文信息。
FPN
DL_CreepingBird的博客
11-20 1346
Feature Pyramid Networks for Object Detection 前言 这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，
#今日论文推荐# 全新高性能 FPN | ssFPN 教您如何修改 FPN 让大小目标在目标检测中都有提升
w1hsxn的博客
09-01 1152
特征金字塔网络 (FPN) 一直是目标检测模型考虑目标的各种尺度的基本模块。但是，小目标的平均精度（AP）相对于中大目标的平均精度（AP）要低。原因是 CNN 的更深层特征会带来信息丢失。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

计算机视觉研究院

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值