一、本文介绍
本文记录的是利用DCMPNet中的 MFM 模块改进 YOLOv10 的多模态融合部分。
MFM模块通过动态调制特征融合过程,实现了对多尺度、跨层级特征的智能聚合。将其应用于YOLOv10的改进过程中,针对目标检测中边界特征与语义信息的互补性需求,缓解网络中浅层细节与深层语义融合不足的问题。
文章目录
二、MFM介绍
Depth Information Assisted Collaborative Mutual Promotion Network for Single Image Dehazing
2.1 设计出发点
在图像去雾网络中,不同层级和类型的特征包含着互补的信息(如浅层的纹理细节与深层的语义结构)。
传统的特征融合方法(如简单相加或拼接)难以动态适应不同特征的重要性差异,可能导致关键信息被稀释或次要信息过度增强。MFM模块的核心目标是通过动态调整特征融合权重,增强网络对关键特征的敏感度,提升特征表示能力,从而优化去雾结果的细节恢复和结构一致性。
2.2 模块结构
-
输入特征
接收来自不同路径的特征图(如编码器的输出特征与解码器的中间特征),例如:- F ^ l e g m 1 \hat{F}_{legm}^{1}
订阅专栏 解锁全文
386



被折叠的 条评论
为什么被折叠?



