一、本文介绍
本文介绍将FCM与FFM联合应用于YOLOv11,可实现特征“校正+融合”的闭环优化机制,显著提升模型在复杂环境下的检测精度、鲁棒性与多尺度感知能力,同时保持高效推理性能。具体怎么使用请看全文!
专栏改进目录:YOLOv11改进专栏包含卷积、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、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进
全新YOLOv11-发论文改进专栏链接:全新YOLOv11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
🚀 创新改进 : yolov11n_FeatureFusion_FCM.yaml
二、论文FCM与FFM模块介绍

摘要:多源遥感图像(RSIs)能够捕捉地物的互补信息,应用于语义分割任务中。然而,不同传感器获取的多模态数据之间存在不一致性和干扰噪声,因此如何有效减少不同模态之间的差异和噪声,并充分利用其互补特征,仍是一项挑战。本文提出了一种通用的跨融合Transformer框架(CFFormer),用于多源遥感图像的语义分割。该框架采用并行双分支结构,分别从不同模态中提取特征。我们设计了一个特征校正模块(FCM),通过在空间和通道维度上结合其他模态的特征,对当前模态的特征进行校正。同时,提出的特征融合模块(FFM)利用多头跨注意力机制,实现不同模态特征的全局交互与融合,从而全面挖掘多源RSIs中的互补信息。实验结果表明,CFFormer在精度和鲁棒性方面均优于现有多源语义分割方法。例如,在WHU-OPT-SAR数据集上,CFFormer的平均交并比(mIoU)为58%、总体精度(OA)为85.35%,分别超过第二优方法4.71%和1.74%。在Vaihingen和Potsdam数据集上,CFFormer同样取得最佳性能,mIoU/OA分别达到84.31%/91.88% 和 88.62%/92.64%。
订阅专栏 解锁全文
2230



被折叠的 条评论
为什么被折叠?



