一、本文介绍
本文给大家介绍一种PPA并行感知块注意力优化YOLOv13模型!PPA解决小目标在多重下采样过程中关键信息丢失的问题。具体怎么使用请看下文!
专栏改进目录:YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。
全新YOLOv13专栏限时订阅链接:全新YOLOv13创新改进高效涨点+永久更新中(至少500+改进)+高效跑实验发论文
目录
1.首先在yolov13/ultralytics/nn/newsAddmodules创建一个.py文件
2.在yolov13/ultralytics/nn/newsAddmodules/__init__.py中引用
二、PPA模块介绍

摘要:红外小目标检测是一项重要的计算机视觉任务,它涉及对红外图像中微小目标的识别和定位,这些目标通常只包含几个像素。然而,由于目标尺寸微小以及红外图像中通常存在的复杂背景,这项任务面临着诸多挑战。在本文中,我们提出了一种深度学习方法,即 HCF-Net,它通过多个实用模块显著提高了红外小目标检测的性能。具体来说,它包括并行化的 patch-aware attention (PPA) 模块、dimension-aware selective integration (DASI) 模块和 multi-dilated channel refiner (MDCR) 模块。PPA 模块采用多分支特征提取策略,以捕获不同尺度和级别的特征信息。DASI 模块支持自适应通道选择和融合。MDCR 模块通过多个深度可分离卷积层捕获不同感受野范围的空间特征。在 SIRST 红外单帧图像数据集上的大量实验结果表明,所提出的 HCF-Net 表现良好,超越了其他传统和深度学习模型。
订阅专栏 解锁全文
360



被折叠的 条评论
为什么被折叠?



