超越 YOLOv8, MAF-YOLO 利用重参化异构卷积大幅度提升多尺度信息融合能力 ！

文章预览

前言   由于多尺度特征融合的有效性能，路径聚合FPN（PAFPN）被广泛应用于YOLO检测器中。 然而，它不能同时高效且自适应地融合高级语义信息与低级空间信息。本文提出了一种名为MAF-YOLO的新模型，这是一个具有多功能 Neck 网络的新颖目标检测框架，名为多分支辅助FPN（MAFPN）。 在MAFPN中，设计了表面辅助融合（SAF）模块，以将 Backbone 网络的输出与 Neck 网络相结合，保留适量的浅层信息以促进后续学习。同时，高级辅助融合（AAF）模块深植于 Neck 网络内，向输出层传递更为丰富的梯度信息。 此外，作者提出的重参化异构高效层聚合网络（RepHELAN）模块确保了整体模型架构和卷积设计对异构大型卷积核的利用。因此，这保证了在同时实现多尺度感受野的同时保留与小目标相关的信息。 Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各 ………………………………