YOLOv10改进 | 图像去雾 | 特征融合注意网络FFA-Net增强YOLOv10对于模糊图片检测能力（北大和北航联合提出）

最新推荐文章于 2025-03-13 10:13:32 发布
最新推荐文章于 2025-03-13 10:13:32 发布
阅读量940 收藏 18
点赞数 10
CC 4.0 BY-SA版权
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 人工智能 深度学习 python 计算机视觉 pytorch YOLOv10
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/java1314777/article/details/140334867

 一、本文介绍

本文给大家带来的改进机制是由北大和北航联合提出的FFA-net: Feature Fusion Attention Network for Single Image Dehazing图像增强去雾网络，该网络的主要思想是利用特征融合注意力网络（Feature Fusion Attention Network）直接恢复无雾图像，FFA-Net通过特征注意力机制和特征融合注意力结构的创新设计，有效地提升了单图像去雾技术的性能。通过巧妙地结合通道和像素注意力，以及局部残差学习，网络能够更加精准地处理不同区域的雾霾，实现了在细节保留和色彩保真度上的显著提升。

 欢迎大家订阅我的专栏一起学习YOLO！ 

 专栏回顾：YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备 

目录

 一、本文介绍

二、原理介绍 

三、核心代码 

 四、添加方式教程

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

打印计算量的问题！

五、yaml文件和运行记录

5.1 yaml文件

5.2 训练代码 

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 图像去雾 | 特征融合注意网络FFA-Net增强YOLOv8对于模糊图片检测能力（北大和北航联合提出）
Snu77的博客
03-14 4303
官方论文地址：官方论文地址点击此处即可跳转官方代码地址：官方代码地址点击此处即可跳转FFA-Net的主要思想是利用特征融合注意力网络（Feature Fusion Attention Network）直接恢复无雾图像。
特征融合篇 | YOLOv10改进之在Neck网络中添加加权双向特征金字塔BiFPN
突然好想你
07-10 2360
在计算机视觉任务中，特征金字塔网络（FPN）是一种常用的方法，它通过构建不同尺度的特征图来捕获不同尺度的目标。然而，传统的FPN存在一些缺点，如特征融合效率低、信息流通不充分等。BIFPN则通过引入双向的特征融合机制和加权的特征融合方法来克服这些问题。🌈
YOLO11改进|引入轻量级特征融合模块EFC
A1983Z的博客
03-13 848
YOLO11改进|引入轻量级特征融合模块EFC
【YOLOv5/v7改进系列】替换Neck为Gold-Yolo特征融合网络
2401_84870184的博客
08-14 1753
Gold-YOLO是一种高效的物体检测模型，它通过一种新的机制——Gather-and-Distribute（GD）机制来增强多尺度特征融合的能力，从而在保证实时性能的同时提高了检测精度。
YOLOv8改进：利用MB-TaylorFormer提升高分辨率和图像去雾检测性能
走向CTO的路上...
07-07 1221
YOLOv8模型作为目前最先进的目标检测算法之一，在精度和速度方面取得了显著进步。然而，YOLOv8模型在高分辨率图像和图像去雾场景下的检测性能仍有提升空间。本文介绍了一种利用MB-TaylorFormer改进YOLOv8模型的高分辨率和图像去雾检测性能的方法，该方法可以有效提升YOLOv8模型在高分辨率图像和图像去雾场景下的检测精度和鲁棒性。
YOLOv11改进 | 特殊场景改进篇 | 特征融合注意网络FFA-Net改进yolov11对于模糊图片检测能力（北大和北航联合提出）
Snu77的博客
11-04 1190
本文给大家带来的改进机制是由北大和北航联合提出的FFA-netFeature Fusion Attention Network for Single Image Dehazing图像增强去雾网络，该网络的主要思想是利用特征融合注意力网络（Feature Fusion Attention Network）直接恢复无雾图像，FFA-Net通过特征注意力机制和特征融合注意力结构的创新设计，有效地提升了单图像去雾技术的性能。通过巧妙地结合通道和像素注意力，以及局部残差学习，网络能够更加精准地处理不同区域的雾霾，
【YOLOv10改进[图像去雾]】端到端的特征融合注意力网络( FFA-Net，北大和北航联合提出) |使用FFA改进Yolov10对于模糊图片检测的效果 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
07-31 849
【YOLOv10改进[图像去雾]】端到端的特征融合注意力网络( FFA-Net，北大和北航联合提出) |使用FFA改进Yolov10对于模糊图片检测的效果 + 含全部代码和详细修改方式 + 手撕结构图
【YOLOv8改进[图像去雾]】端到端的特征融合注意力网络( FFA-Net，北大和北航联合提出 ) |使用FFA改进Yolov8对于模糊图片检测的效果 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
07-31 314
【YOLOv8改进[图像去雾]】端到端的特征融合注意力网络( FFA-Net，北大和北航联合提出 ) |使用FFA改进Yolov8对于模糊图片检测的效果 + 含全部代码和详细修改方式 + 手撕结构图
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
B站 Ai学术叫叫兽的文案地
07-04 3842
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
爆改YOLOv8|利用特征融合网络FFA-Net改进YOLOv8-模糊图片检测
weixin_43986124的博客
09-08 1766
YOLOv8改进，图像去雾，图像增强，即插即用
YOLOv10全网最新创新点改进系列：YOLOv10融合V-Focal Loss全面提升密集目标检测，针对目前样本不平衡问题的独特创新点，有效涨点！
B站 Ai学术叫叫兽的文案地
07-14 3456
YOLOv10全网最新创新点改进系列：YOLOv10融合V-Focal Loss全面提升密集目标检测，针对目前样本不平衡问题的独特创新点，有效涨点！
（三）YOLO-V2改进细节
weixin_50533561的博客
02-09 3104
（1）Dropout与Batch Normalization 在V1版本中使用Dropout，在前向传播时，停止一部分神经元，使模型泛化性更强，防止过拟合 在V2版本中改进为BN（批量标准化），对数据进行归一化（统一格式、均衡化、去噪等），提高训练速度，提升训练效果 BN在目前已经成为网络必备模块 （2）更大的分辨率 V1版本中训练使用224*224的分辨率，而测试使用448*448 V2版本中额外加上10个epoch的448*448训练对模型进行微调 （3）网络结构（Darknet-19）
YOLOv8改进 | 图像去雾 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测
Snu77的博客
03-13 4244
官方论文地址：官方论文地址点击即可跳转官方代码地址：官方代码地址点击即可跳转这篇论文提出了一种名为全能去雾网络（AOD-Net）的图像去雾模型，该模型是基于重新制定的大气散射模型并利用卷积神经网络（CNN）构建的。与大多数先前的模型不同，AOD-Net不是分别估计传输矩阵和大气光，而是直接通过一个轻量级的CNN生成清晰图像。这种新颖的端到端设计使得将AOD-Net嵌入到其他深度模型中变得简单，例如，用于提升雾霾图像上高级任务性能的Faster R-CNN。
【深度学习】FFA-Net：北大&北航提出的图像去雾的新型网络（代码在Github上已开源）
qq_38883271的博客
08-02 8928
1.新颖之处：提出了一种端到端的特征融合注意力网络（Feature Fusion Attention Network），可直接将有雾的图像恢复成无雾图像。算法主线：通道上的权重、各个像素位置处的权重是根据特征的重要程度来分配的。 2.FFA-Net框架结构： 上图为FFA-Net的框架结构图，从整体来看，其为全局残差网络，输入为haze image，经过shortcut与残差网络的主分支进行element-wise sum操作之后得到haze-free image。 FFA-Net的主分支较为复杂，主分支
FFA-Net: Feature Fusion Attention Network for Single Image Dehazing
change_lkl的博客
05-22 4197
摘要 本文提出了一种端到端的特征融合注意网络(FFA-Net)来直接恢复无霾图像。FFA-Net架构包括三个关键组件:1)考虑到不同的通道特征包含完全不同的加权信息，并且雾度分布在不同的图像像素上是不均匀的，新颖的特征注意(FA)模块将通道注意与像素注意机制相结合。FA不平等地对待不同的特征和像素，这在处理不同类型的信息时提供了额外的灵活性，扩展了CNN的表示能力。2)基本块结构由局部残差学习和特征关注组成，局部残差学习允许通过多个局部残差连接绕过较不重要的信息，如薄雾霾区域或低频，让主网络架构专注于更有
去雾网络-----FFA-Net
qq_59581717的博客
09-02 826
FFA-Net。
论文笔记：FFA-Net Feature Fusion Attention Network for Single Image Dehazing
起风了丿的博客
11-11 3349
摘要 论文代码地址
探索FFA-Net：一款高效、灵活的图像修复框架
gitblog_00071的博客
04-16 600
探索FFA-Net：一款高效、灵活的图像修复框架 去发现同类优质开源项目:https://gitcode.com/ 简介 是一个基于深度学习的图像修复库，由开发者【zhilin007】创建。这个项目利用先进的神经网络模型，旨在修复图像中的各种损坏或缺失部分，如划痕、污渍甚至大规模缺失区域。FFA-Net的设计理念是快速和准确，使其在实时应用中具有广泛潜力。 技术分析 FFA-Net架构 FFA-N...
【每天一篇深度学习论文】即插即用特征注意力融合模块FFA
Magnolia_He的博客
11-27 2074
FFA-Net模型通过浅层特征提取、多个包含局部残差学习和特征注意力的组架构、全局残差学习和特征融合注意力模块来实现单图像去雾。模型利用通道和像素级的注意力机制自适应地调整不同特征的权重，融合浅层和深层信息，从而更有效地去除雾霾，保留细节和色彩的准确性。
yolov8 图片去雾
最新发布
03-19
### 使用 YOLOv8 实现图像去雾功能的方法 为了使 YOLOv8 能够处理带有雾霾的图像并提高目标检测精度，可以通过引入专门设计的图像去雾网络来预处理输入数据。以下是具体方法： #### 方法一：结合 UnfogNet 进行图像去雾 UnfogNet 是一种超轻量化的图像去雾网络，能够显著减少模型参数量和计算开销的同时保持良好的去雾效果[^3]。将此网络集成到 YOLOv8 的前端部分，在实际推理过程中先对输入图像进行去雾操作后再送入 YOLOv8 主干网络。 代码示例展示了如何加载 UnfogNet 并将其应用于 YOLOv8 输入前的数据预处理阶段： ```python import torch from yolov8 import YOLOv8Model from unfognet import UnfogNet def preprocess_image_with_unfog(image, unfog_model): """ 对输入图像执行去雾 """ dehazed_image = unfog_model(image) # 应用 UnfogNet 去雾 return dehazed_image unfog_net = UnfogNet() # 初始化 UnfogNet 模型 yolov8 = YOLOv8Model(pretrained=True) # 加载权重文件 (假设已训练好) unfog_checkpoint_path = 'path_to_unfog_weights.pth' unfog_net.load_state_dict(torch.load(unfog_checkpoint_path)) input_image = ... # 提供一张带雾的测试图片 dehazed_input = preprocess_image_with_unfog(input_image, unfog_net) predictions = yolov8(dehazed_input) # 将清晰化后的图像传递给 YOLOv8 推理 ``` #### 方法二：采用 FFA-Net 特征融合注意机制增强模糊图片检测能力 另一种方式是借助北大与北航联合提出的特征融合注意力网络(FFA-Net)[^2]。它不仅可以直接用于恢复无雾图像，还可以通过调整其内部结构进一步优化特定领域内的表现，比如交通监控中的车牌识别或者行人跟踪等任务。 如果希望更深入地定制解决方案，则可以在原有基础上修改 YOLOv8 架构本身，例如在其 backbone 中嵌套某些层来自定义版本的 FFA 单元以加强局部细节捕捉力以及整体语义理解水平；当然这会稍微复杂一点并且可能需要重新训练整个系统才能达到最佳状态。 --- ### 性能评估与应用场景扩展 无论是选择简单易部署方案还是追求极致性能调优路径，上述两种技术路线均已被证明可有效改善 YOLOv8 在恶劣天气条件下的视觉感知质量，并广泛适用于诸如 **自动驾驶环境感知**、**城市安全视频分析** 和其他依赖高质量实时成像反馈的应用场合之中[^1]。 ---
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

Snu77

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