Sep, 2023

BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

PDF
TL;DR该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。
发现论文，激发创造
  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023

  • ASF-YOLO: 用于细胞实例分割的带关注尺度序列融合的新型 YOLO 模型

    提出了一种新颖的基于注意力尺度序列融合的 You Only Look Once (YOLO) 框架（ASF-YOLO），该框架结合了空间和尺度特征，用于准确和快速的细胞实例分割。在 YOLO 分割框架基础上，采用尺度序列特征融合（SSFF）模块增强了网络的多尺度信息提取能力，并使用三重特征编码器（TPE）模块融合不同尺度的特征图，以增加详细信息。此外，引入了通道和位置注意机制（CPAM）来整合 SSFF 和 TPE 模块，重点关注信息丰富的通道和空间位置相关的小物体，以提高检测和分割性能。实验验证表明，提出的 ASF-YOLO 模型在两个细胞数据集上具有显着的分割准确性和速度。在 2018 年 Data Science Bowl 数据集上，它实现了 0.91 的框 mAP，0.887 的掩膜 mAP，并具有 47.3 FPS 的推理速度，优于现有的最先进方法。源代码可以在此 URL 找到。

    Dec, 2023

  • 注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

    在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

    May, 2024

  • 你只看一层特征

    该论文提出了一种名为 YOLOF 的对象检测方法，通过只使用一个层级特征来解决优化问题，以达到和 FPN 相关模型相当的效果，但快 2.5 倍，并且可以在不使用 Transformer 层的情况下在单层特征下达到 DETR 的性能，训练时间只需要其 1/7，并且在 2080Ti 上可以达到 60fps。

    Mar, 2021

  • YOLOSA 基于 2D 局部特征叠加自注意力的物体检测

    通过使用新颖的自注意力模块，将全局特征反映到局部特征和局部接受域，以及优化解耦头和 AB-OTA，我们提出的模型在大中小型模型上能够实现 49.0%（71FPS，14ms），46.1%（85FPS，11.7ms）和 39.1%（107FPS，9.3ms）的平均精度，超过了 YOLOv5 0.8%-3.1% 的平均精度。

    Jun, 2022

  • RCS-YOLO: 快速高准确率的脑肿瘤检测物体探测器

    该研究提出了一种基于重参数化卷积和通道洗牌的新型 YOLO 架构（RCS-YOLO），并通过特征级联和计算效率提取更丰富的信息，减少时间消耗，实现了在大脑肿瘤检测任务上的最新性能，超过了 YOLOv6、YOLOv7 和 YOLOv8 的速度和准确性。

    Jul, 2023

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系统。

    Dec, 2023

  • LeYOLO，用于目标检测的新型可扩展高效 CNN 架构

    基于 FLOP 的高效目标检测计算的神经网络架构设计选择和优化方法，LeYOLO 提供了在不同资源限制下性能优越的计算负载和准确率比例。

    Jun, 2024

  • 现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断

    利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。

    Jan, 2024

  • BG-YOLO：一种海底目标检测的双向引导方法

    提出了一种命名为 BG-YOLO 的水下目标检测的双向引导方法，通过构建增强分支和检测分支以及特征引导模块，该方法在显著改善严重降质的水下场景中的检测器性能的同时保持了出色的检测速度。

    Apr, 2024