一、本文介绍
本文改进双HS-FPN颈部结构,融合YOLOv11中的多模态特征,以优化目标检测网络模型。
HS-FPN借助通道注意力机制及独特的多尺度融合策略,有效应对目标尺寸差异及特征稀缺问题。针对不同模态,其利用高级特征筛选低级特征,增强特征表达,助力模型精准定位和识别目标,减少因尺度变化及特征不足导致的检测误差,提升YOLOv11在多模态检测任务中的准确性与稳定性。
文章目录
二、HS-FPN介绍
Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level Feature Fusion for Aiding Diagnosis of Blood Diseases
HS - FPN结构由特征选择模块和特征融合模块组成。
- 特征选择模块中,
CA模块先处理输入特征图,经池化、激活函数确定各通道权重以过滤特征图,DM模块再对不同尺度特征图降维; - 特征融合模块中,利用
SFF机制,以高级特征为权重筛选低级特征语义信息后融合,提升模型检测能力。
2.1 出发点
在白细胞数据集中,白细胞识别任务面临多尺度问题,不同类型白细胞直径通常有差异,相同白细胞在不同显微镜下成像大小也会不同,这使得模型难以准确识别白细胞,所以需要设计HS - FPN来实现多尺度特征融合,帮助模型捕捉更全面的白细胞特征信息。
订阅专栏 解锁全文
3021



被折叠的 条评论
为什么被折叠?



