💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡
在目标检测中，为了解决尺度变化的问题，通常采用金字塔特征表示。然而，对于基于特征金字塔的单次检测器来说，不同特征尺度之间的不一致性是一个主要限制。为此，研究人员提出了一种新颖的、基于数据的策略，用于金字塔特征融合，称为自适应空间特征融合（ASFF）。它学习了一种方法，用以在空间上过滤冲突信息，从而抑制不一致性，提高了特征的尺度不变性，并且几乎不引入额外的推理开销。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。
专栏地址： YOLOv5改进+入门——持续更新各种有效涨点方法 点击即可跳转
1.原理
自适应空间特征融合（ASFF）的主要原理旨在解决单次检测器中不同尺度特征的不一致性问题。具体来说，ASFF通过动态调整来自不同尺度特征金字塔层的特征贡献，确保每个检测对象的特征表示是一致且最优的。以下是ASFF的主要原理：
原理概述
- 多尺度特征的融合：
传统的特征金字塔网络（FPN）在不同尺度上提取特征，但这些特征在空间位置上可能存在不一致性，导致检测效果不佳。
ASFF通过一个自适应融合模块，动态地结合来自不同尺度的特征图，使得每个像素点能够获得来自各个尺度的最优特征表示。
- 自适应权重学习：
ASFF在训练过程中通过一个轻量级的网络结构（如1x1卷积层）学习自适应权重，这些权重用于加权组合来自不同尺度的特征。
这个学习过程是自适应的，即权重会根据输入图像的特征和目标物体的位置进行调整，从而确保融合后的特征在空间和语义上都是最优的。
- 特征一致性：
通过自适应权重，ASFF能有效地调节各尺度特征的贡献，解决了特征金字塔中不同层次特征之间的空间位置不一致性问题。
这种融合方式不仅增强了特征的一致性，还提高了检测器对各种尺度目标的响应能力。
- 具体步骤
1.特征提取：
输入图像通过基础卷积神经网络（如ResNet）提取特征，并通过特征金字塔网络（FPN）生成不同尺度的特征图。
2.权重生成：
对每个尺度的特征图，ASFF使用一个小型网络（如1x1卷积层）生成对应的自适应权重图。
3.特征融合：
将不同尺度的特征图与其对应的权重图逐像素相乘，然后进行加权求和，生成最终的融合特征图。
4.检测输出：
最终的融合特征图输入到检测头中，生成检测结果（如边界框和类别预测）。
优势
性能提升：通过自适应融合不同尺度的特征，ASFF显著提升了检测精度，特别是在复杂场景和多尺度目标检测任务中。
高效性：ASFF在提高性能的同时，保持了较低的计算开销，仅增加了极少的推理时间，适合实时应用。
ASFF的方法通过动态调整特征贡献，确保每个像素点在不同尺度特征上的最优组合，从而提高了单次检测器的整体检测性能。
2. 将ASFF_DETECT代码实现
2.1 ASFF_DETECT添加到YOLOv5中
关键步骤一：将下面代码粘贴到/yolov5-6.1/models/yolo.py文件中
class ASFF_Detect(nn.Module): #add ASFFV5 layer and Rfb
stride = None # strides computed during build
onnx_dynamic = False # ONNX export parameter
export = False # export mode
def __init__(self, nc=80, anchors=(), ch=(), multiplier=0.5,rfb=False,inplace=True): # detection layer
super().__init__()
self.nc = nc # number of classes
self.no = nc + 5 # number of outputs per anchor
self.nl = len(anchors) # number of detection layers
self.na = len(anchors[0]) // 2 # number of anchors
self.grid = [torch.zeros(1)] * self.nl # init grid
self.l0_fusion = ASFFV5(level=0, multiplier=multiplier,rfb=rfb)
self.l1_fusion = ASFFV5(level=1, multiplier=multiplier,rfb=rfb)
self.l2_fusion = ASFFV5(level=2, multiplier=multiplier,rfb=rfb)
self.anchor_grid = [torch.zeros(1)] * self.nl # init anchor grid
self.register_buffer('anchors', torch.tensor(anchors).float().view(self.nl, -1, 2)) # shape(nl,na,2)
self.m = nn.ModuleList(nn.Conv2d(x, self.no * self.na, 1) for x in ch) # output conv
self.inplace = inplace # use in-place ops (e.g. slice assignment)
def forward(self, x):
z = [] # inference output
result=[]
result.append(self.l2_fusion(x))
result.append(self.l1_fusion(x))
result.append(self.l0_fusion(x))
x=result
for i in range(self.nl):
x[i] = self.m[i](x[i]) # conv
bs, _, ny, nx = x[i].shape # x(bs,255,20,20) to x(bs,3,20,20,85)
x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()
if not self.training: # inference
if self.onnx_dynamic or self.grid[i].shape[2:4] != x[i].shape[2:4]:
self.grid[i], self.anchor_grid[i] = self._make_grid(nx, ny, i)
y = x[i].sigmoid() # https://github.com/iscyy/yoloair
if self.inplace:
y[..., 0:2] = (y[..., 0:2] * 2 + self.grid[i]) * self.stride[i] # xy
y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i] # wh
else: # for YOLOv5 on AWS Inferentia https://github.com/ultralytics/yolov5/pull/2953
xy, wh, conf = y.split((2, 2, self.nc + 1), 4) # y.tensor_split((2, 4, 5), 4) # torch 1.8.0
xy = (xy * 2 + self.grid[i]) * self.stride[i] # xy
wh = (wh * 2) ** 2 * self.anchor_grid[i] # wh
y = torch.cat((xy, wh, conf), 4)
z.append(y.view(bs, -1, self.no))
return x if self.training else (torch.cat(z, 1),) if self.export else (torch.cat(z, 1), x)
def _make_grid(self, nx=20, ny=20, i=0):
d = self.anchors[i].device
t = self.anchors[i].dtype
shape = 1, self.na, ny, nx, 2 # grid shape
y, x = torch.arange(ny, device=d, dtype=t), torch.arange(nx, device=d, dtype=t)
if check_version(torch.__version__, '1.10.0'): # torch>=1.10.0 meshgrid workaround for
