改进YOLO系列:YOLOv5结合跨局部连接,实现多尺度特征融合,测试有效涨2个点
YOLOv5结合跨局部连接
- 一、前言
-
- PANet
- 二、基于增强式的多尺度特征融合方式。
-
- 1.
- 2. 从增强式特征和上下特征梯度流传递两个方面进行解释
- 三、添加方式
-
- 注意力加入方式
- 建议
一、前言
PANet[1]最大的贡献是提出了一个自顶向下和自底向上的双向融合骨干网络,同时在最底层和最高层之间添加了一条“short-cut”,用于缩短层之间的路径。PANet还提出了自适应特征池化(Adaptive Features Pooling)和全连接融合(Fully-connected Fusion)两个模块。其中自适应特征池化可以用于聚合不同层之间的特征,保证特征的完整性和多样性,而通过全连接融合可以得到更加准确的预测mask。
PANet采用的是R-CNN系列Two-Stage检测模型,在分类和分割部分的网络结构也有些许差异,下面我们结合代码对PANet进行详细的分析。
PANet
PANet的网络结构如图1所示,它由5个核心模块组成。其中(a)是一个FPN[2],(b)是PAN增加的自底向上的特征融合层,(c)是自适应特征池化层,(