.png){kind=icon}
返回
Enhancing object detection with large kernel convolution and cross convolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105433.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有目标检测模型由于捕获足够上下文信息的能力有限，通常难以检测小目标。本文介绍了一种轻量级目标检测模型，利用大核卷积与注意力（LKA）以及分层特征融合组（HFFG）来解决该问题。LKA模块采用大核卷积捕获长距离依赖和上下文信息，并结合深度可分离卷积以维持轻量化设计。引入的注意力机制进一步使模型能够自适应地聚焦于关键区域，从而提升对小目标的检测性能。HFFG模块整合了交叉卷积块，探索并保留了跨不同尺度的结构信息。通过有效提取结构细节，本模型在各类尺寸目标上展现出增强的性能。在VisDrone2019和PASACAL VOC数据集上的大量实验表明，本模型实现了23.4%的优异mAP，超越基准YOLOX-s模型1.5%。这些结果不仅验证了其有效性，也展示了其鲁棒性和泛化能力。
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
暂无机构信息
引用论文
Dehazing & Reasoning YOLO: Prior knowledge-guided network for object detection in foggy weather.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化
OAAI
OAAI分享收藏Efficient Multi-Scale Attention Module with Cross-Spatial Learning具有跨空间学习的高效多尺度注意力模块ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏分享收藏分享收藏 没有更多内容
没有更多内容