一、本文介绍
🔥本文给大家介绍在YOLOv11中引入MFAE-YOLO中的 GFFP(全局特征融合处理)、FCPS(特征通道像素注意力) 和 C3k2-FPEU(特征池提取单元) 二次创新改进模块,能显著提升对小目标的检测性能。GFFP通过多尺度特征融合增强全局上下文感知能力,有效提升小目标在复杂背景下的可辨性;FCPS融合通道、像素和空间注意力机制,增强了模型对关键细节和小区域特征的关注,提升检测精度;C2F-FPEU利用多种池化方式挖掘细节特征,优化浅层特征表示能力。三者协同提升了YOLOv11在小目标检测中的鲁棒性、精度和多尺度适应性,同时保持了检测速度的优势。涨点起飞,直接发论文!
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
本文目录
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
TGRS2025 顶刊原文复现⭐:MFAE-YOLO正常运行
二、MFAE-YOLO顶刊论文创新点介绍

摘要:在航空遥感图像中进行目标检测对交通管理、公共安全和生态监测等应用至关重要。然而,现有方法在处理多尺度目标、复杂背景和频繁遮挡时存在困难,导致全局特征提取不足和多尺度损失计算不稳定。为解决这些问题,我们提出了多特征注意力增强型仅需一次检测(MFAE -YOLO)网络。该方法通过引入全局特征融合处理(GFFP)模块来提升全局特征提取能力。主干网络融合了通道、像素和空间(FCPS)注意力模块以增强特征表征,同时采用C2F特征池提取单元(C2F-FPEU)优化基于池化的特征提取。此外,我们还提出了一种精确的交并比(AIoU)损失函数来优化边界框回归。在 NWPU VHR -10、 RSOD 和DIOR数据集上的实验表明, MFAE -YOLO超越了现有最先进方法,分别达到94.7%、94.8%和67
订阅专栏 解锁全文
1292



被折叠的 条评论
为什么被折叠?



