一、本文介绍
Hyper-YOLO是一种创新的目标检测模型,将超图计算集成到YOLO架构中,以捕捉视觉特征之间复杂的高阶相关性,从而提升目标检测性能。
本文记录如何在YOLO26的项目包中配置并运行Hyper-YOLO模型。
专栏目录:YOLO26改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
文章目录
二、Hyper-YOLO模型介绍
Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation
Hyper-YOLO是一种创新的目标检测模型,将超图计算集成到YOLO架构中,以捕捉视觉特征之间复杂的高阶相关性,从而提升目标检测性能。
2.1 设计出发点
传统YOLO模型在颈部设计上存在局限,限制了跨层特征融合和高阶特征关系的挖掘。
具体表现为,PANet颈部主要在相邻层融合特征,无法充分实现跨层特征整合;而像Gold - YOLO的收集 - 分发颈部设计虽促进了层间信息交换,但仍缺乏特征图内的跨位置交互,且未深入探索高阶相关性。
这些不足限制了模型对不同尺度和位置特征的理解,影响了目标检测的性能。而超图能够表示复杂的高阶相关性,其超边可连接两个或更多顶点,相比简单图具有更强的表达能力,适合用于建模视觉数据中特征图的跨层和跨位置相关性,因此引入超图计算来改进YOLO模型。
2.2 结构
- 骨干网络(Backbone):采用混合聚合网络(MANet),融合了1×1旁路卷积、深度可分离卷积(DSConv)和C2f模块。这种设计丰富了训练阶段的梯度流,增强了基础特征的语义深度,提升了特征提取能力。
订阅专栏 解锁全文
302



被折叠的 条评论
为什么被折叠?



