YOLOv8添加加权双向金字塔结构的特征加强模块BiFPN_yolov8结合bifpn

一、 BiFPN论文

论文地址：1911.09070.pdf (arxiv.org)

二、BiFPN简要介绍

    BiFPN具有高效的多尺度特征融合，在过去的研究中，FPN等多尺度特征融合网络已经被广泛运用，如PANET、NAS-FPN等新的结构也不断涌现。然而，这些工作在总结不同输入特征时通常未能充分考虑它们的分辨率差异，导致对融合输出的贡献不平等的问题。BiFPN引入了可学习的权重，以学习不同输入特征的重要性。同时，该网络通过反复应用自顶向下和自底向上的多尺度特征融合，进一步优化了对不同分辨率特征的融合过程。这一网络结构能够更好地处理多尺度特征融合问题，通过引入可学习权重和多次迭代的自顶向下与自底向上融合，提高了对不同分辨率特征的适应性，为多尺度目标检测等任务提供了一种更为有效的解决方案。

   传统的 FPN 网络结构特征融合时把不同尺度的特征图像以相同的权重进行加权，但