YOLOv10改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构，强化小目标检测能力

一、本文介绍

本文主要利用GOLD - YOLO中的颈部结构优化YOLOv10的网络模型。GOLD - YOLO颈部结构中的GD机制借鉴了全局信息融合的理念，通过独特的模块设计，在不显著增加延迟的情况下，高效融合不同层级的特征信息。将其应用于YOLOv10的改进过程中，能够使模型更有效地整合多尺度特征，减少信息损失，强化对不同大小目标物体的特征表达，从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。

---

专栏目录：YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv10改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、GOLD-YOLO介绍

Gold-YOLO: Efficient Object Detector via Gather-and-Distribute Mechanism

GOLD - YOLO颈部结构的设计旨在解决传统信息融合方法的缺陷，提升模型性能。以下从出发点、结构原理、模块组成和优势四方面详细介绍：

2.1 出发点

传统YOLO系列颈部结构采用PAFPN，该结构在融合跨层信息时存在缺陷，信息传递存在损失。

例如，当level - 1获取level - 3信息时，需先将level - 2和level - 3信息融合，导致信息交互只能传递中间层选择的信息，未被选择的信息在传输中被丢弃，限制了信息融合的整体效果。为避免这种信息损失，构建了Gather - and - Distribute（GD）机制。

2.2 结构原理

GD机制通过统一模块收集和融合所有层级的信息，并将其分配到不同层级。该过程对应三个模块：Feature Alignment Module（FAM）、Informati