YOLOv11改进 | 主干/Backbone篇 | 双主干思想给yolov11增加辅助特征提取主干（全网独家创新）

Snu77

已于 2024-11-15 05:29:26 修改

阅读量4.2k

点赞数 18

CC 4.0 BY-SA版权

分类专栏： YOLOv11有效涨点专栏文章标签： YOLO 计算机视觉人工智能 python 深度学习 YOLOv11 目标检测

于 2024-11-15 01:19:35 首次发布

本文链接：https://blog.youkuaiyun.com/java1314777/article/details/143784001

YOLOv11有效涨点专栏专栏收录该内容

该专栏为热销专栏榜第15名

161 篇文章 ¥179.90 ¥299.90

订阅专栏

一、本文介绍

本文给大家带来的最新改进机制是结合目前SOTAYOLOv9的思想利用双主干网络来改进YOLOv11（本专栏目前发布以来改进最大的内容，同时本文内容为我个人一手整理全网独家首发 | 就连V9官方不支持的模型宽度和深度修改我都均已提供，本文内容支持YOLOv11全系列模型从n到x均可使用），本文的内容超级适合想要发表论文的读者创新性不够，工作量不够的，本文的改进在感官上给人就有一种工作量多和创新点十足的感觉，同时本专栏内容以后均采用NEU-DET数据集进行对比实验模型（避免大家质疑数据集质量的问题），本文内容为独家整理，创新性十足！。

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

二、原理介绍

这张图（图3）展示了可编程梯度信息（PGI）及其相关网络架构和方法。图中展示了四种不同的网络设计：

a) PAN (Path Aggregation Network)：这种网络结构主要用于改进特征融合，以提高目标检测的性能。然而，由于信息瓶颈的存在，网络中可能会丢失一些信息。

b) RevCol (Reversible Columns)：这是一种旨在减少信息丢失的网络设计。它通过可逆的列结构来尝试维持信息流通不受损失，但如图中“Heavy Cost”所示，这种结构会增加计算成本。

c) 深度监督：这种方法通过在网络的多个层次中插入额外的监督信号来提高学习的效率和最终模型的性能。图中显示了通过深度监督连接的各个层。

d) 可编程梯度信息 (PGI)：PGI是作者提出的一种新方法（我理解的这种方法就是在前向传播的过程中没有跳级链接），它主要由三个部分组成：
1. 主分支：用于推理的架构。
2. 辅助可逆分支：生成可靠的梯度，以供给主分