YoloV8改进策略：动态蛇形卷积，解决管状结构问题

AI浩

发布于 2024-10-22 12:19:13

3190

文章被收录于专栏：AI智韵AI智韵

摘要

DSCNet是ICCV 2023的一篇论文，有效解决了管状结构的精确分割问题。模型通过三个阶段来增强感知，包括特征提取、特征融合和损失约束。其中，特征提取阶段通过提出一种动态蛇形卷积来准确捕捉管状结构的特征；特征融合阶段采用多视角特征融合策略，保留来自不同全局形态的重要信息；损失约束阶段则通过基于持久同调的连续性约束损失函数来更好地约束分割的拓扑连续性。实验结果表明，该模型在管状结构分割任务上具有更好的准确性和连续性。

代码和文章：

https://blog.csdn.net/m0_47867638/article/details/134486924?spm=1001.2014.3001.5502

我将其引入到YoloV8中，效果如何呢？我们一起见证吧！

YoloV8官方结果

YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 29/29 [
                   all        230       1412      0.922      0.957      0.986      0.737
                   c17        230        131      0.973      0.992      0.995      0.825
                    c5        230         68      0.945          1      0.995      0.836
            helicopter        230         43       0.96      0.907      0.951      0.607
                  c130        230         85      0.984          1      0.995      0.655
                   f16        230         57      0.955      0.965      0.985      0.669
                    b2        230          2      0.704          1      0.995      0.722
                 other        230         86      0.903      0.942      0.963      0.534
                   b52        230         70       0.96      0.971      0.978      0.831
                  kc10        230         62      0.999      0.984       0.99      0.847
               command        230         40       0.97          1      0.995      0.811
                   f15        230        123      0.891          1      0.992      0.701
                 kc135        230         91      0.971      0.989      0.986      0.712
                   a10        230         27          1      0.555      0.899      0.456
                    b1        230         20      0.972          1      0.995      0.793
                   aew        230         25      0.945          1       0.99      0.784
                   f22        230         17      0.913          1      0.995      0.725
                    p3        230        105       0.99          1      0.995      0.801
                    p8        230          1      0.637          1      0.995      0.597
                   f35        230         32      0.939      0.938      0.978      0.574
                   f18        230        125      0.985      0.992      0.987      0.817
                   v22        230         41      0.983          1      0.995       0.69
                 su-27        230         31      0.925          1      0.995      0.859
                 il-38        230         27      0.972          1      0.995      0.811
                tu-134        230          1      0.663          1      0.995      0.895
                 su-33        230          2          1      0.611      0.995      0.796
                 an-70        230          2      0.766          1      0.995       0.73
                 tu-22        230         98      0.984          1      0.995      0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image

测试结果

YOLOv8l summary: 838 layers, 182288088 parameters, 0 gradients
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 15/15 [00:05<00:00,  2.95it/s]
                   all        230       1412      0.964      0.952      0.983      0.742
                   c17        230        131      0.981      0.992      0.994      0.829
                    c5        230         68      0.992      0.956      0.992      0.832
            helicopter        230         43      0.976      0.956      0.982      0.621
                  c130        230         85      0.965      0.988      0.981      0.651
                   f16        230         57      0.996       0.93      0.981      0.654
                    b2        230          2      0.919          1      0.995      0.653
                 other        230         86      0.987      0.919      0.961      0.556
                   b52        230         70      0.966      0.957      0.983      0.827
                  kc10        230         62      0.999      0.984       0.99      0.841
               command        230         40      0.995          1      0.995      0.848
                   f15        230        123       0.99      0.984      0.994      0.691
                 kc135        230         91      0.978      0.982      0.986      0.695
                   a10        230         27       0.92      0.424      0.799      0.414
                    b1        230         20          1      0.937      0.988      0.754
                   aew        230         25      0.953          1      0.993      0.794
                   f22        230         17      0.871          1      0.995      0.751
                    p3        230        105          1      0.967      0.995      0.805
                    p8        230          1      0.866          1      0.995      0.796
                   f35        230         32          1      0.741      0.988      0.572
                   f18        230        125      0.975      0.992      0.991      0.814
                   v22        230         41      0.993          1      0.995      0.713
                 su-27        230         31       0.98          1      0.995      0.858
                 il-38        230         27       0.99          1      0.995      0.849
                tu-134        230          1      0.874          1      0.995      0.895
                 su-33        230          2      0.947          1      0.995      0.697
                 an-70        230          2       0.91          1      0.995      0.796
                 tu-22        230         98      0.998          1      0.995      0.825
Speed: 0.2ms preprocess, 16.5ms inference, 0.0ms loss, 0.7ms postprocess per image

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-01-17，如有侵权请联系 cloudcommunity@tencent.com 删除

模型