MHAF-YOLO：用于精准目标检测的多分支异构辅助融合 YOLO
计算机视觉与模式识别
2025-02-27 v2
摘要
由于路径聚合 FPN (PAFPN) 在多尺度特征融合方面具有有效能力，PAFPN 已成为基于 YOLO 的检测器中广泛采用的组件。然而，PAFPN 在整合高层语义线索与低层空间细节方面存在困难，限制了其在现实应用中的性能，尤其是在面对显著尺度变化时。本文提出了 MHAF-YOLO，一种新型检测框架，特点是名为多分支异构辅助 FPN (MAFPN) 的 versatile 颈部设计，包含两个关键模块：浅层辅助融合 (SAF) 和深层辅助融合 (AAF)。SAF 通过融合浅层特征将骨干网络与颈部连接起来，有效地以高保真度传递关键的低层空间信息。而 AAF 则在更深的颈部层级上整合多尺度特征信息，为输出层提供更丰富的梯度信息，进一步增强了模型的学习能力。为补充 MAFPN，我们引入了全局异构灵活卷积核选择 (GHFKS) 机制和重参数化异构多尺度 (RepHMS) 模块以增强特征融合。RepHMS 被全局集成到网络中，利用 GHFKS 为各种特征层选择更大的卷积核，扩大垂直感受野，捕捉跨空间层次的上下文信息。就地而言，它通过在同一层中处理大型和小型卷积核来优化卷积，扩大横向感受野，保留检测小目标所需的关键细节。本作品的源代码已公开：https://github.com/yang-0201/MHAF-YOLO。
引用
@article{arxiv.2502.04656,
title = {MHAF-YOLO: Multi-Branch Heterogeneous Auxiliary Fusion YOLO for accurate object detection},
author = {Zhiqiang Yang and Qiu Guan and Zhongwen Yu and Xinli Xu and Haixia Long and Sheng Lian and Haigen Hu and Ying Tang},
journal= {arXiv preprint arXiv:2502.04656},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2407.04381