YOLOv11改进 | Neck篇 | 结合SDI和ASF-YOLO形成全新的特征融合网络网络（分割高效涨点，二次创新）

已于 2024-11-14 11:50:42 修改
阅读量2.7k 收藏 15
点赞数 12
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： 深度学习 计算机视觉 人工智能 YOLO 目标检测 python YOLOv11
于 2024-11-13 23:58:29 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/java1314777/article/details/143755129

一、本文介绍

本文给大家带来的改进机制是利用多层次特征融合模块（SDI）配上经典的加权双向特征金字塔网络ASF-YOLO的Neck形成一种全新的Neck网络结构，从而达到二次创新的效果，其中（SDI）模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。ASF-YOLO（发布于2023.12月份的最新机制），其是特别设计用于细胞实例分割。这个模型通过结合空间和尺度特征，提高了在处理细胞图像时的准确性和速度。在实验中，ASF-YOLO在2018年数据科学竞赛数据集上取得了卓越的分割准确性和速度，达到了0.91的box mAP（平均精度），0.887的mask mAP，以及47.3 FPS的推理速度，效果非常的好。同时这种融合我们在书写论文的时候论文的结构图也比较好画，同时本文的SDI模块在分割领域涨点高效，融合起来非常适用于目标分割。 

 欢迎大家订阅我的专栏一起学习YOLO！ 

 专栏回顾：YOLOv11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、ASF-YOLO的核心代码

四、手把手教你添加ASF-YOLO

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、SDI的核心代码 

六、手把手教你添加SDI机制 

6.1 修改一

6.2 修改二 

6.3 修改三 

6.4 修改四 

七、融合后的yaml文件 

了解本专栏 订阅专栏 解锁全文
YOLOv8独家原创改进：多层次特征融合（SDI）结合PConv、DualConv、GSConv，实现二次创新 | UNet v2最新论文
01-12 3024
多层次特征融合（SDI）高效结合DualConv、PConv、GSConv等实现二次创新
YOLOv11改进 | 检测头改进篇 | 利用ASFF改进YOLOv11检测头，自适应空间特征融合模块，在所有的目标检测上均有大幅度的涨点效果
qq_45972324的博客
12-22 797
摘要：金字塔形特征表示是解决对象检测中比例变化挑战的常见做法。然而，不同特征尺度之间的不一致是基于特征金字塔的单发检测器的主要限制。在这项工作中，我们提出了一种新颖的数据驱动的金字塔特征融合策略，称为自适应空间特征融合 （ASFF）。它学习了在空间上过滤冲突信息以抑制不一致的方法，从而提高了特征的尺度不变性，并引入了几乎免费的推理开销。
YOLOv9改进策略 | 细节涨点篇 | UNetv2提出的一种SDI多层次特征融合模块（含二次创新机会）
Snu77的博客
04-20 3705
本问给大家带来的改进机制是UNetv2提出的一种多层次特征融合模块（SDI）其是一种用于替换Concat操作的模块，SDI模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。该方法已在多个公开的医学图像分割数据集上进行了验证，包括皮肤病变分割和息肉分割，展示了其在这些分割任务中相比于现有方法的效果。所以其的一开始提出使用于分割，但是其也可以用于目标检测，亲测效果非常好，同时该结构主要是可以用于替换我们各种Neck中的结构形成二次创新比如之前的BiFPN，
YOLOv11融合U-Net v2中的SDI模块
最新发布
深度学习炼丹师，偶尔分享炼丹技术!
12-25 1372
在本文中，我们介绍了 U-Net v2，这是一种用于医学图像分割的新型强大且高效的 U-Net 变体。它旨在增强语义信息对低级特征的注入，同时用更精细的细节来提炼高级特征。对于输入图像，我们首先使用深度神经网络编码器提取多级特征。接下来，我们通过注入来自更高级别特征的语义信息并通过 Hadamard 产品集成来自较低级别特征的更精细细节来增强每个级别的特征图。我们新颖的跳过连接为所有级别的功能提供了丰富的语义特征和复杂的细节。改进的功能随后传输到解码器，以进行进一步处理和分割。
YOLOv11改进 | Neck篇 | 双向特征金字塔网络BiFPN助力YOLOv11有效涨点
Snu77的博客
10-13 6596
本文给大家带来的改进机制是BiFPN双向特征金字塔网络，其是一种特征融合层的结构，也就是我们本文改进YOLOv11模型中的Neck部分，它的主要思想是通过多层级的特征金字塔和双向信息传递来提高精度。本文给大家带来的结构可以让大家自行调节网络结构大小，同时能够达到一定的轻量化效果，为什么发BiFPN呢因为它算是YOLO系列改进中的常青树了，大家可以借鉴它的双向特征思想来创新自己的Neck结构本文的BiFPN通过yaml文件配置可以让大家自行调配其结构。
YOLOv9/YOLOv8算法改进【NO.116】 使用ASF-YOLO中的Attentional Scale Sequence Fusion对ICCV2023 DySample进行二次创新
m0_70388905的博客
04-07 2056
二次创新
YOLOv8改进 | Neck篇 | 结合SDI和ASF-YOLO形成全新的特征金字塔网络（分割高效涨点）
Snu77的博客
02-18 5436
本文给大家带来的改进机制是利用多层次特征融合模块（SDI）配上经典的加权双向特征金字塔网络ASF-YOLO的Neck形成一种全新的Neck网络结构，从而达到二次创新的效果，其中（SDI）模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。ASF-YOLO（发布于2023.12月份的最新机制）其是特别设计用于细胞实例分割。这个模型通过结合空间和尺度特征，提高了在处理细胞图像时的准确性和速度。
YOLOv11改进 | Neck篇 | SDI结合BiFPN全新的特征融合网络（全网独家创新）
Snu77的博客
11-13 3103
本文给大家带来的最新改进机制是利用多层次特征融合模块（SDI）配上经典的加权双向特征金字塔网络Bi-FPN形成一种全新的Neck网络结构，从而达到二次创新的效果，其中（SDI）模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。Bi-FPN无需过多介绍其作为经典的特征金字塔网络其效果一直以来都是非常的不错，其中Bi-FPN的劣势主要是时间过于久远，但是SDI。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
热门推荐
Snu77的博客
11-05 5万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
【论文阅读|小目标分割算法ASF-YOLO】
dally2的博客
01-29 7147
论文题目：ASF-YOLO: A novel YOLO model with attentional scale sequence fusion for cell instance segmentation 论文链接： https://arxiv.org/abs/2312.06458 代码链接：https://github.com/mkang315/ASF-YOLO 摘要（Abstract） 作者提出了一种新颖的基于 "You Only Look Once"（YOLO）的注意力尺度序列融合框架（ASF-YO
ASF-YOLO开源 | SSFF融合+TPE编码+CPAM注意力，精度提升！
qq_40716944的博客
12-14 8985
作者提出了一种新颖的注意力尺度序列融合基于YOLO框架（ASF-YOLO），该框架结合了空间和尺度特征，以实现精确快速的细胞实例分割。在YOLO分割框架的基础上，作者采用了尺度序列特征融合（SSFF）模块来增强网络的多尺度信息提取能力，并采用三特征编码器（TPE）模块将不同尺度的特征图进行融合，以增加详细信息。作者进一步引入了一种通道和位置注意力机制，以将SSFF和TPE模块集成起来，专注于具有信息量大、位置相关的较小目标，以提高检测和分割性能。
基于ASF-YOLO融合空间特征和尺度特征的新型注意力尺度序列融合模型开发构建医学场景下细胞分割检测识别系统，以【BCC、DSB2018数据集为基准】
Together_CZ的博客
12-17 1611
基于ASF-YOLO融合空间特征和尺度特征的新型注意力尺度序列融合模型开发构建医学场景下细胞分割检测识别系统，以【BCC、DSB2018数据集为基准】
AI：300 - YOLOv8 Neck层优化 | 基于ASF-YOLO的特征融合改进及应用分析
一键难忘的博客
09-20 2925
ASF-YOLO（Attention-based Spatial Fusion YOLO）是一种基于注意力机制的特征融合方法，旨在提高网络在处理不同尺度和语义信息时的能力。ASF-YOLO通过引入空间注意力机制和通道注意力机制，在特征融合层中增强了对重要特征的响应，从而提升了网络的表现。ASF-YOLO（Attention-based Spatial Fusion YOLO）在YOLOv8中的引入显著提升了特征融合层的性能，尤其是在目标检测和分割任务中展现出了优异的效果。
ASF-YOLO:一种基于注意尺度序列融合的细胞实例分割YOLO模型
m0_47867638的博客
12-18 8199
随着样本制备技术和显微成像技术的快速发展，细胞图像的定量处理和分析在医学、细胞生物学等领域发挥着重要作用。基于卷积神经网络（CNN），可以通过神经网络训练学习不同细胞图像的特征信息，具有很强的泛化性能。两阶段的R-CNN系列[1,2,3]及其一阶段变体[4,5]是实例分割任务的经典CNN基础框架。在最近的研究中，You Only Look Once（YOLO）系列[6,7,8,9]已经成为实时实例分割中速度最快、最准确的模型之一。
YOLOv8算法改进【NO.96】针对小目标检测有效果的ASF-YOLO
m0_70388905的博客
12-22 9142
针对小目标检测有效果的ASF-YOLO
ASF-YOLO：一种基于注意力尺度序列融合的细胞实例分割YOLO模型
Z1986185459的博客
03-26 1640
摘要： 我们提出了一种基于注意力尺度序列融合的ASF-YOLO框架，该框架融合了空间和尺度特征，来实现快速准确的细胞实例分割。建立在YOLO分割框架上面，采用多尺度序列特征融合模块（SSFF）模块来增强网络的多尺度信息提取能力，采用三重特征编码器（TPE）模块来融合不同尺度的特征映射，增加详细信息。我们引入了通道和位置注意力机制（CPAM）来继承SSFF模块和TPE模块，它关注于信息通道和空间位置相关的小物体，以此来提高检测和分割性能。在两个细胞数据集上的实验表现了提出的ASF-YOLO模型的卓越的分割准
ASF-YOLO 开源项目使用教程
gitblog_00314的博客
09-13 1112
ASF-YOLO 开源项目使用教程 1. 项目介绍 ASF-YOLO 是一个基于 YOLO 框架的细胞实例分割模型，全称为 Attentional Scale Sequence Fusion YOLO。该项目通过引入注意力尺度序列融合（ASF）机制，显著提升了细胞实例分割的准确性和速度。ASF-YOLO 结合了空间和尺度特征，能够在处理细胞图像时实现精确快速的分割。 主要特点 注意力尺度序列融合...
【YOLOv5/v7改进系列】引入特征融合网络——ASFYOLO
2401_84870184的博客
06-21 3384
【YOLOv5/v7改进系列】引入特征融合网络——ASFYOLO。实验验证显示，ASF-YOLO模型在两个细胞数据集上取得了显著的分割精度和速度，包括在2018年数据科学碗数据集上的框mAP为0.91，掩码mAP为0.887，推理速度为47.3 FPS，优于当时最先进的方法。
爆改YOLOv8 | ASF-YOLO改进特征融合层（小目标检测）
weixin_43986124的博客
08-14 2190
ASF-YOLO改进特征融合层（小目标检测），yolov8改进，高效涨点
评论 1
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