基于 FMDS 和 AGMF 模块的 YOLO 高效特征选择改进算法——FA-YOLO
计算机视觉与模式识别
2024-08-30 v1 人工智能
摘要
过去几年，YOLO 系列模型在目标检测领域成为一种主流方法。许多研究通过修改模型架构、增强数据质量和开发新的损失函数来推进这些基线模型。然而，当前模型仍在处理特征图方面存在不足，包括忽略跨尺度特征融合以及缺乏动态特征调整能力的静态融合方法。为此，本文引入了高效的细粒度多尺度动态选择模块（FMDS 模块），该模块在细粒度多尺度特征图上应用更有效的动态特征选择和融合方法，显著提升了在复杂环境中处理小、中、大目标检测精度。此外，本文提出了自适应门控多分支聚焦融合模块（AGMF 模块），该模块利用多个平行分支对由门控单元分支、FMDS 模块分支和三重注意力分支捕获的各种特征进行互补融合。这种方法进一步增强了特征融合的全面性、多样性和完整性。本文将 FMDS 模块和 AGMF 模块集成到 Yolov9 中，开发出一种新的目标检测模型，称为 FA-YOLO。大量实验结果表明，在相同的实验条件下，FA-YOLO 在 PASCAL VOC 2007 数据集上实现了 66.1% 的平均精度（mAP），相较于 YOLOv9 的 65.1% 提升了 1.0%。此外，FA-YOLO对小、中、大目标的检测精度分别为 44.1%、54.6%和 70.8%，分别比 YOLOv9 的 42.1%、51.5%和 69.9% 提升了 2.0%、3.1%和 0.9%。
引用
@article{arxiv.2408.16313,
title = {FA-YOLO: Research On Efficient Feature Selection YOLO Improved Algorithm Based On FMDS and AGMF Modules},
author = {Yukang Huo and Mingyuan Yao and Qingbin Tian and Tonghao Wang and Ruifeng Wang and Haihua Wang},
journal= {arXiv preprint arXiv:2408.16313},
year = {2024}
}
备注
11 pages and 4 figures