YOLOv8改进，结合最新自适应特征金字塔网络AFPN，适合多尺度目标

在实验中，使用自适应特征融合（AFPN）加强了网络，它可以更好地合并跨尺度的特征，旨在改进目标检测，特别是对于不同尺度的物体。

论文总结

  本文介绍了一种用于目标检测的渐进特征金字塔网络（AFPN）。在目标检测任务中，多尺度特征的提取对于编码具有尺度变化的对象非常重要。传统的自顶向下和自底向上特征金字塔网络采用了常见的多尺度特征提取策略，但存在特征信息的丢失或降级问题，从而影响了非相邻层之间的特征融合效果。本文提出了AFPN，以支持非相邻层之间的直接交互。AFPN通过融合两个相邻的低层特征，并将高层特征渐进地融合到融合过程中，避免了非相邻层之间的语义差距。为了减轻每个空间位置的特征融合中可能出现的多对象信息冲突，本文进一步使用自适应空间融合操作来缓解这些不一致性。将提出的AFPN融入两阶段和一阶段目标检测框架，并在MS-COCO 2017验证和测试数据集上进行评估。实验结果表明，我们的方法比其他最先进的特征金字塔网络取得了更具竞争力的结果。

  该研究的主要创新点是引入了渐进特征金字塔