RT-DETR改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 优化颈部网络
一、本文介绍 本文记录的是利用自校准模块RCM优化RT-DETR的目标检测方法研究。RCM通过矩形自校准函数可以将注意力区域校准得更接近前景对象，有效提高对前景对象的定位能力。==本文将其应用在颈部网络上，使模型能够捕获轴向全局上下文信息，并应用于金字塔上下文提取，使模型表现出更高的精度。== 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、S.....
RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络，提高小目标检测精度
一、本文介绍 本文记录的是利用ASF-YOLO提出的颈部结构优化RT-DETR的目标检测网络模型。将RT-DETR的颈部网络改进成ASF-YOLO的结构，==使模型能够有效的融合多尺度特征，捕获小目标精细信息，并根据注意力机制关注小目标相关特征，显著提高模型精度。== 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、Neck、检测头等.....
RT-DETR改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进RT-DETR颈部网络
一、本文介绍 本文记录的是利用GFPN颈部结构优化RT-DETR的目标检测网络模型。利用GFPN改进后的颈部网络，通过跳层连接，==避免了在进行反向传播时的梯度消失问题==，并且引入跨尺度连接，==可以实现不同级别和层次的特征充分融合，获取足够的高层语义信息和低层空间信息交换，从而在大规模变化场景下提高检测性能。== 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.....
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络，提高小目标检测精度
一、本文介绍 本文记录的是利用ASF-YOLO提出的颈部结构优化YOLOv11的目标检测网络模型。将YOLOv11的颈部网络改进成ASF-YOLO的结构，==使模型能够有效的融合多尺度特征，捕获小目标精细信息，并根据注意力机制关注小目标相关特征，显著提高模型精度。== 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、Neck、检测头等.....
YOLOv11改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v11颈部网络
一、本文介绍 本文记录的是利用GFPN颈部结构优化YOLOv11的目标检测网络模型。利用GFPN改进后的颈部网络，通过跳层连接，==避免了在进行反向传播时的梯度消失问题==，并且引入跨尺度连接，==可以实现不同级别和层次的特征充分融合，获取足够的高层语义信息和低层空间信息交换，从而在大规模变化场景下提高检测性能。== 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.....
YOLOv11改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 二次创新C3k2 改进颈部网络
一、本文介绍 本文记录的是利用自校准模块RCM优化YOLOv11的目标检测方法研究。RCM通过矩形自校准函数可以将注意力区域校准得更接近前景对象，有效提高对前景对象的定位能力。==本文对C3k2模块进行二次创新，并应用在颈部网络上，使模型能够捕获轴向全局上下文信息，并应用于金字塔上下文提取，使模型表现出更高的精度。== 专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失.....
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。
