YOLO26改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标
2026/7/13 12:34:25 网站建设 项目流程

一、本文介绍

本文记录的是利用PKINet优化YOLO26的目标检测方法研究

遥感图像目标检测中,目标尺度变化大,本文引入PKINet捕获多尺度纹理特征,并在YOLO26的基础上配置了原论文中PKINET_T', 'PKINET_S,PKINET_B三种模型,以满足不同的需求。

文章目录

  • 一、本文介绍
  • 二、PKI Module原理介绍
    • 2.1 原理
    • 2.2 结构
      • 2.2.1 局部特征提取
      • 2.2.2 多尺度上下文特征提取
      • 2.2.3 特征融合
    • 2.3 优势
  • 三、PKINet的实现代码
  • 四、修改步骤
    • 4.1 修改一
    • 4.2 修改二
    • 4.3 修改三
  • 五、yaml模型文件
    • 5.1 模型改进⭐
  • 六、成功运行结果

二、PKI Module原理介绍

Poly Kernel Inception Network for Remote Sensing Detection

PKI ModulePoly Kernel Inception Network (PKINet)中的一个重要模块,其设计原理、结构和优势如下:

2.1 原理

PKI Module是一个Inception-Style模块,通过不同尺寸的卷积核组合来提取不同尺度的特征。它先使用小卷积核卷积抓取局部信息,然后使用一组并行的深度可分离卷积来捕获多尺度的上下文信息。通过这种方式,可以在不同感受野上提取特征,并将局部和上下文特征进行融合,以获取更丰富的特征表示,同时避免因单一尺度卷积核或扩张卷积带来的问题,如小卷积核可能丢失长距离上下文信息,大卷积核可能引入背景噪声或生成过于稀疏的特征表示。

2.2 结构

2.2.1 局部特征提取

  • 对于第l l<

需要专业的网站建设服务?

联系我们获取免费的网站建设咨询和方案报价,让我们帮助您实现业务目标

立即咨询