YoloV8改进策略:全新特征融合模块AFPN,更换YoloV8的Neck

文章目录

  • 摘要
  • 论文:《AFPN:用于目标检测的渐近特征金字塔网络》
  • 1、介绍
  • 2、相关工作
  • 3、渐进特征金字塔网络
  • 4、实验
  • 5、结论
  • 改进方法
  • 测试结果

摘要

目标检测中的特征金字塔结构,包括FPN和PAFPN,这两种结构都可以应用于一阶段和二阶段方法中,以提高目标检测的性能。FPN是最常用的特征金字塔结构,用于解决尺度变化问题,而PAFPN则通过增加自下而上的路径来补偿平均精度的不足。

本文提出了新型的特征金字塔网络(AFPN),旨在支持非相邻级别的直接交互,提高目标检测任务的性能。AFPN通过融合两个相邻的低级别特征,并以渐近方式将更高级别的特征纳入融合过程中,避免了非相邻级别之间的语义鸿沟。此外,还采用了自适应空间融合操作来缓解多目标信息冲突。与经典的特征金字塔网络相比,AFPN提供了更好的特征融合效果。
经过MS-COCO 2017验证和测试数据集的评估,实验结果表明比其他最先进的方法更具竞争力。

将AFPN用来改进YoloV8,效果如何呢?

论文:《AFPN:用于目标检测的渐近特征金字塔网络》

你可能感兴趣的:(YOLO)