文章预览
作者提出了Hyper-YOLO,一种将超图计算集成到视觉特征中以捕捉高阶相关性的新目标检测方法。尽管传统YOLO模型强大,但它们在脖子设计上存在局限性,这限制了跨层次特征的集成和高级特征间关系的利用。 为了解决这些挑战,作者提出了Hypergraph Computation Empowered Semantic Collecting and Scattering(HGC-SCS)框架,该框架将视觉特征图转换为语义空间,并构建一个超图以进行高阶消息传播。 这使得模型可以获得语义和结构信息,超越了传统的关注特征的学习。 Hyper-YOLO在其 Backbone 中采用了提出的混合聚合网络(MANet),进行增强的特征提取,并在其 Neck 分引入了基于超图的跨层次和跨位置表示网络(HyperC2Net)。 HyperC2Net在五个 Level 上运作,并摆脱了传统的网格结构,允许在 Level 和位置之间进行复杂的高级交互。这种组件的协同作用使得Hyper-YOLO成为各种尺
………………………………