当前位置:   article > 正文

涨点优化:基于Yolov5的红外小目标性能提升,多种网络结构组合DCNV3、CARAFE、多头检测器等_dcnv3结合yolov5

dcnv3结合yolov5

目录

1.数据集介绍

2.DCNV3介绍

 3.CARAFE介绍

4.yolov5s_C3_DCNV3+CARAFE.yaml

4.1 yolov5s_SmallObject.yaml


1.数据集介绍

红外小目标检测的目标比较小,目标极其容易和其他物体混淆,有一定的挑战性。

另外,这本质上也是一个小目标领域的问题,很多适用于小目标的创新点也会被借鉴进来。

红外小目标检测,数据集大小513张

2.DCNV3介绍

 

 (3条消息) 涨点神器:Yolov5/Yolov7引入CVPR2023 InternImage:注入新机制,扩展DCNv3,助力涨点,COCO新纪录65.4mAP!_AI小怪兽的博客-CSDN博客

不同于近来聚焦于大核的CNN方案,InternImage以形变卷积作为核心操作(不仅具有下游任务所需的有效感受野,同时具有输入与任务自适应空域聚合能力)。所提方案降低了传统CNN的严格归纳偏置,同时可以学习更强更鲁棒的表达能力。ImageNet、COCO以及ADE20K等任务上的实验验证了所提方案的有效性,值得一提的是:InternImage-H在COCO test-dev上取得了新的记录65.4mAP。 

InternImage通过重新设计算子和模型结构提升了卷积模型的可扩展性并且缓解了归纳偏置,包括(1)DCNv3算子,基于DCNv2算子引入共享投射权重、多组机制和采样点调制。

(2)基础模块,融合先进模块作为模型构建的基本模块单元

(3)模块堆叠规则,扩展模型时规范化模型的宽度、深度、组数等超参数。
 

 

 

 3.CARAFE介绍

 (3条消息) 涨点技巧:基于Yolov5的轻量级上采样CARAFE算子,提升小目标检测性能_AI小怪兽的博客-CSDN博客

本文尝试提出一个新的上采样操作CARAFE,它应该具有以下特点:

感受野大。不同于以往只利用亚像素邻域的工作(如双线性插值),CARAFE可以在一个大的接收域中聚合上下文信息。
内容感知。CARAFE不是为所有的样本使用一个固定的内核(例如反卷积),而是支持特定于实例的内容感知处理,它可以动态地生成自适应的内核。
轻量级、计算速度快。CARAFE引入了很少的计算开销,可以很容易地集成到现有的网络架构中

 

4.yolov5s_C3_DCNV3+CARAFE.yaml

  1. # YOLOv5
    声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/知新_RL/article/detail/77981
    推荐阅读
    相关标签