YOLO12 改进、魔改｜边缘 - 高斯聚合EGA模块，增强低质量图像，识别目标边缘，抑制背景噪声干扰，提升小目标检测能力

最新推荐文章于 2025-09-22 09:46:36 发布

原创最新推荐文章于 2025-09-22 09:46:36 发布 · 1.1k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #去噪 #yolo12 #yolo12改进 #EGA #频域 #yolov12

YOLOv12模型系列专栏收录该内容

106 篇文章

订阅专栏

在遥感目标检测（RSOD）中，低质量图像存在诸多问题，如低空间分辨率、传感器噪声、运动模糊、光照不利等，这些导致特征区分度降低，现有方法在检测低质量物体时存在局限。在其他视觉任务如息肉分割、医学图像分析等领域，也面临前景背景分割难、边缘信息模糊等问题。因此，需要一种能有效处理低质量图像特征、增强边缘信息、提升模型鲁棒性的方法，EGA 模块应运而生。

1.EGA 原理

EGA 模块结合传统图像处理技术与深度学习技术。一方面，利用具有方向感知的 Scharr 滤波器，其旋转不变性可保留高频边缘细节，在低对比度或模糊物体中精准提取边缘，解决结构不连续问题；另一方面，通过基于高斯先验的特征建模，使用固定参数卷积核进行高斯平滑，抑制噪声，对低置信度或模糊特征进行优化，增强前景显著性，改善特征响应模糊及对比度低的问题，提升模型对复杂条件下物体特征的表达能力。

EGA（Edge-Gaussian Aggregation，边缘 - 高斯聚合）模块的结构围绕 “阶段自适应特征增强” 设计，主要包含特征处理选择、融合增强及输出三个核心环节。

在特征处理选择上，模块会依据网络所处阶段动态切换操作：浅层阶段（如 LEGNet 的 Stage 1）采用边缘提取，通过水平和垂直方向的 Scharr 滤波器对输入特征进行卷积，计算两者平方和的平方根以获取边缘响应，精准捕捉低质量图像中易丢失的边缘细节；深层阶段（Stage 2-4）则启用高斯建模，利用 5×5 固定参数的高斯卷积核对特征进行深度卷积，借助高斯分布特性突出中心像素特征，同时抑制噪声干扰。

特征融合增强环节中，无论是边缘提取结果还是高斯建模结果，都会先与原始输入特征相加，再传入一个三层卷积块处理：先经 1×1 卷积压缩通道并进行激活归一化，接着通过 3×3 卷积提取局部特征，最后用 1×1 卷积调整通道并归一化，得到中间特征。

最终，中间特征与原始输入特征通过元素级乘法和加法进行融合，再经 3×3 卷积输出增强后的特征，实现对低质量图像特征的修复与强化，在轻量化框架下兼顾边缘保留与噪声抑制，提升模型对复杂场景的适应能力。

2.EGA 习作思路

在检测领域的描述（以 LEGNet 论文为例）

在检测领域，如在针对低质量遥感图像目标检测的 LEGNet 中，EGA 模块发挥了关键作用。它集成到 LEGNet 骨干网络中，通过边缘提取和高斯建模，提升低质量物体的特征表示能力。在面对低分辨率、噪声、模糊等问题时，能增强目标边缘细节，抑制噪声干扰，让模型更准确地识别和定位目标。

在分割领域的描述（以息肉分割等相关论文为例）

在分割领域，以解决息肉分割中前景背景分割难的问题为例，EGA 模块通过多尺度边缘引导网络实现更好的分割效果。它利用拉普拉斯金字塔获取不同尺度的高频特征，通过融合卷积、注意力机制等操作，对边缘特征、输入特征和预测特征进行处理。通过反向注意力关注背景区域，利用边界注意力聚焦预测边缘，结合高频特征，使模型更精准地捕捉物体边界，提升分割精度，有效解决神经网络深层边缘信息被侵蚀的问题，在处理伪装目标、阴影去除等任务时也表现出色。

3. YOLO与EGA 的结合

将 EGA 模块放入 YOLO 中，能增强 YOLO 对低质量图像的适应性。在处理包含噪声、模糊物体的图像时，EGA 的边缘提取和高斯建模能力可帮助 YOLO 更清晰地识别目标边缘，抑制背景噪声干扰，提升小目标检测能力，减少漏检和误检情况。同时，EGA 模块结构轻量、计算开销低，在不显著增加计算负担的前提下，增强了 YOLO 模型的鲁棒性和特征表达能力，使 YOLO 在复杂场景下的检测性能得到提升，更适用于实际应用中的多种检测任务。

4.EGA 代码部分

基于卷积模拟自注意力ESC，以卷积模拟自注意力，增强对小目标、密集目标的特征表征能力_哔哩哔哩_bilibili

YOLO12模型改进方法，快速发论文，总有适合你的改进，还不改进上车_哔哩哔哩_bilibili

代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

5. EGA 引入到YOLOv12中

第一: 先新建一个v12_changemodel，将下面的核心代码复制到下面这个路径当中，如下图如所示。E:\Part_time_job_orders\YOLO_NEW\YOLOv12\ultralytics\v12_changemodel。

第二：在task.py中导入包

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":



    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo12_EGA.yaml")\
        # .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",
                          epochs=300,
                          imgsz=640,
                          batch=4,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )