RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征，适应尺度变化大的目标
一、本文介绍 本文记录的是利用PKINet优化RT-DETR的目标检测方法研究。在遥感图像目标检测中，目标尺度变化大，本文引入PKINet来捕获多尺度纹理特征，并在RT-DETR的基础上配置了原论文中PKINET_T', 'PKINET_S, PKINET_B三种模型，以满足不同的需求。 专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF.....
RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络，加强细节特征的提取和融合
一、本文介绍 本文记录的是基于U-Net V2的RT-DETR目标检测改进方法研究。本文利用U-Net V2替换RT-DETR的骨干网络，UNet V2通过其独特的语义和细节融合模块（SDI），能够为骨干网络提供更丰富的特征表示。并且其中的注意力模块可以使网络聚焦于图像中与任务相关的区域，增强对关键区域特征的提取，进而提高模型精度。本文配置了原论文中pvt_v2_b0、pvt_v2_b1、pvt....
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征，适应尺度变化大的目标
一、本文介绍 本文记录的是利用PKINet优化YOLOv11的目标检测方法研究。在遥感图像目标检测中，目标尺度变化大，本文引入PKINet来捕获多尺度纹理特征，并在YOLOv11的基础上配置了原论文中PKINET_T', 'PKINET_S, PKINET_B三种模型，以满足不同的需求。 专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF.....
YOLOv11改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络，加强细节特征的提取和融合
一、本文介绍 本文记录的是基于U-Net V2的YOLOv11目标检测改进方法研究。本文利用U-Net V2替换YOLOv11的骨干网络，UNet V2通过其独特的语义和细节融合模块（SDI），能够为骨干网络提供更丰富的特征表示。并且其中的注意力模块可以使网络聚焦于图像中与任务相关的区域，增强对关键区域特征的提取，进而提高模型精度。本文配置了原论文中pvt_v2_b0、pvt_v2_b1、pvt....
YOLOv5改进 | 主干篇 | RevColV1可逆列网络（特征解耦助力小目标检测）
一、本文介绍 本文给大家带来的是主干网络RevColV1，翻译过来就是可逆列网络去发表于ICLR2022，其是一种新型的神经网络设计(和以前的网络结构的传播方式不太一样)，由多个子网络（列）通过多级可逆连接组成。这种设计允许在前向传播过程中特征解耦，保持总信息无压缩或丢弃。其非常适合数据集庞大的目标检测任务，数据集数量越多其效果性能越好，亲测在包含1000个图片的数据集上其涨点效果就非常...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
