YOLOv8优化:动态蛇形卷积(Dynamic Snake Convolution)增强细长微弱特征 | 您所在的位置:网站首页 › yolov8 c2f缺点 › YOLOv8优化:动态蛇形卷积(Dynamic Snake Convolution)增强细长微弱特征 |
💡💡💡本文独家改进:动态蛇形卷积(Dynamic Snake Convolution),增强细长微弱的局部结构特征与复杂多变的全局形态特征 Dynamic Snake Convolution | 亲测在红外弱小目标检测涨点,[email protected] 从0.755提升至0.77 1. 红外弱小目标数据集Single-frame InfraRed Small Target 数据集大小:427张,进行3倍数据增强得到1708张,最终训练集验证集测试集随机分配为8:1:1 2.Dynamic Snake Convolution论文: 2307.08388.pdf (arxiv.org) 摘要:血管、道路等拓扑管状结构的精确分割在各个领域都至关重要,确保下游任务的准确性和效率。 然而,许多因素使任务变得复杂,包括薄的局部结构和可变的全局形态。在这项工作中,我们注意到管状结构的特殊性,并利用这些知识来指导我们的 DSCNet 在三个阶段同时增强感知:特征提取、特征融合、 和损失约束。 首先,我们提出了一种动态蛇卷积,通过自适应地关注细长和曲折的局部结构来准确捕获管状结构的特征。 随后,我们提出了一种多视图特征融合策略,以补充特征融合过程中多角度对特征的关注,确保保留来自不同全局形态的重要信息。 最后,提出了一种基于持久同源性的连续性约束损失函数,以更好地约束分割的拓扑连续性。 2D 和 3D 数据集上的实验表明,与多种方法相比,我们的 DSCNet 在管状结构分割任务上提供了更好的准确性和连续性。 我们的代码是公开的。 主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。本文关注到管状结构细长连续的特点,并利用这一信息在神经网络以下三个阶段同时增强感知:特征提取、特征融合和损失约束。分别设计了动态蛇形卷积(Dynamic Snake Convolution),多视角特征融合策略与连续性拓扑约束损失。 2.1 Dynamic Snake Convolution引入到yolov82.2 新建Dynamic Snake Convolution加入ultralytics/nn/Conv/dynamic_snake_conv.py核心代码: 2.3 yolov8_C2f-DySnakeConv.yaml 3.结果分析[email protected] 从原始0.755提升至0.770 |
CopyRight 2018-2019 实验室设备网 版权所有 |