YOLOv11改进 | Neck篇 | YOLOv11引入GFPN
1.GFPN介绍
1.1 摘要：在传统的目标检测框架中，从图像识别模型中继承的主干提取深层潜在特征，然后颈部模块融合这些潜在特征以捕获不同尺度的信息。由于目标检测中的分辨率比图像识别中的分辨率大得多，因此主干的计算成本通常在总推理成本中占主导地位。这种笨重的设计模式主要是由于将图像识别模型转移到目标检测时的历史遗留问题，而不是针对目标检测的端到端优化设计。在这项工作中，我们表明，这种范式确实导致次优目标检测模型。为此，本文提出了一种新的用于目标检测的类长颈鹿网络GiraffeDet模型。GiraffeDet使用了一个非常轻量级的主干和一个非常深和大的颈部模块，这有助于在不同的空间尺度以及不同层次的潜在语义之间同时进行密集的信息交换。该设计范式使得检测器在网络的早期阶段就可以以相同的优先级处理高层语义信息和低层空间信息，从而提高了检测任务的效率。在多个常用的目标检测基准测试上的数值评估表明，GiraffeDet在各种资源约束下的性能始终优于之前的SOTA模型。
官方论文地址：https://arxiv
原文地址：https://blog.csdn.net/tsg6698/article/details/142707517
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！