H3C 最大跳数16导致网络尺度小

该博客指出H3C存在最大跳数为16的情况,这一限制导致网络尺度较小。在信息技术网络构建中,跳数限制会影响网络的覆盖范围和规模。

 

转载于:https://www.cnblogs.com/fanweisheng/p/11163387.html

(1)特征融合路径调整 原YOLOv8在第7层拼接经下采样后的深层特征-C3模块输出,导致浅层细节被稀释。现将第7层直接连接Backbone的P4特征图,不必经过C3模块进一步处理,减少了中间层的特征压缩,保留小目标的更多空间细节。 原YOLOv8的第10层从P3层拼接P4进行下采样,P3经过多次下采样后分辨率过低,对小目标的信息保留较少。现删除多次下采样,改为直接连接Backbone的P3特征图,直接获取步长为8(P3)的特征。 P3(步长为8)和P4(步长为16)的高分辨率特征直接参与融合,使小目标检测覆盖更密集的区域,增强了对中小目标的敏感度,显著提升mAP。 (2)对齐通道 3.2.1节提到,原模型Backbone已替换FasterNet网络,此时模型的Head和Backbone通道不匹配,Head的C2f模块通道固定为128、256、512,但Backbone变为FasterNet后P4输出为320通道,这样会导致深层特征压缩,丢失高频信息。现将C2f的通道与Backbone输出严格对齐:Head部分的P3分支对应Backbone-P3的256输出,即通道调整为256;P4分支对应Backbone-P4的512输出,通道调整至512;P5分支通道调整至1024。且模型max_channels固定为1024,防止深层特征过度压缩。这样改动可减少特征传递中的信息损失,有助于保留完整语义信息。 (3)双向特征金字塔结构调整 经上述调整,现在的特征金字塔结构为:P5-高层次特征,通道1024,用于大目标检测;P4-中层特征,通道512,用于中尺度目标检测;P3-底层特征,通道256,专注小目标检测。结合调整后的特征融合路径和原YOLOv8的PAFPN融合架构,得出自上而下融合,自下而上强化的特征融合策略。由P5经上采样后与P4拼接,再通过C2f融合生成;P3直接参与浅层检测头计算,同时下采样后与P4拼接,形成双向信息流。 特征网络图怎么画
最新发布
05-06
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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