一、本文介绍
🔥从局部到全局:如何用多尺度全局-局部特征融合模块MGLFM改进YOLOv13的性能
本文给大家介绍利用多尺度全局-局部特征融合模块MGLFM二次创新模块优化YOLOv13模型!GMM增强全局感知,适应遥感图中大尺度与远程目标识别;LMM强化局部空间与通道注意力,有效提升小目标与边缘目标检测精度。MGLFM二次创新模块协同优化YOLOv13的特征提取能力,特别适用于遥感等多尺度密集目标检测任务。具体怎么使用请看全文!
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创新—发论文改进专栏链接: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ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
二、TGRS2025 MGLFM模块介绍
摘要:多时相高光谱影像(HSI)凭借丰富的光谱特征和图像细节,已被广泛应用于不同地表覆盖物的变更检测(CD)。然而,双时相HSI的配准与标注对工作耗时费力。本文提出基于单时相掩膜的网络模型STMNet,从检测掩膜作为变化的新视角出发,实现自监督的HSI CD。STMNet通过将人工构建的掩膜视为单时相HSI中的变化区域来实现自监督学习。为此,我们设计了多尺度掩膜变化模拟策略(MMCS),生成更贴近真实场景的伪双时相HSI。同时,提出全局-局部特征聚合网络以增强远距离和局部空间-光谱特征提取。据我们所知,这是该领域首个利用单时相HSI且无需标注配对样本的HSI CD方法,有效缓解了多时相HSI标注难题。在三个HSI数据集上的可视化与定量实验结果表明,提出的STMNet在HSI CD任务中表现优于当前主流方法。
订阅专栏 解锁全文
5204



被折叠的 条评论
为什么被折叠?



