一、本文介绍
本文将HS-FPN结构融入RT-DETR以优化目标检测网络模型。HS-FPN借助通道注意力机制及独特的多尺度融合策略，有效应对目标尺寸差异及特征稀缺问题。在RT-DETR中应用HS - FPN时，其利用高级特征筛选低级特征，增强特征表达，助力模型精准定位和识别目标，减少因尺度变化及特征不足导致的检测误差，显著提升RT-DETR在各项检测任务中的准确性与稳定性。
专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
二、HS-FPN介绍
Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level Feature Fusion for Aiding Diagnosis of Blood Diseases
HS - FPN结构由特征选择模块和特征融合模块组成。
- 特征选择模块中，
CA模块先处理输入特征图，经池化、激活函数确定各通道权重以过滤特征图，DM模块再对不同尺度特征图降维； - 特征融合模块中，利用
SFF机制，以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。2.1 出发点
在白细胞数据集中，白细胞识别任务面临多尺度问题，不同类型白细胞直径通常有差异，相同白细胞在不同显微镜下成像大小也会不同，这使得模型难以准确识别白细胞，所以需要设计HS - FPN来实现多尺度特征融合，帮助模型捕捉更全面的白细胞特征信息。2.2 结构原理
特征选择模块：由
CA模块和DM模块组成。对于输入特征图$f{in } \in R^{C ×H ×W}$，CA模块先进行全局平均池化和全局最大池化，再结合结果，经Sigmoid激活函数确定各通道权重$f{C A} \in R^{C ×1 ×1}$，通过与对应尺度特征图相乘得到过滤后的特征图。因不同尺度特征图通道数不同，DM模块用1×1卷积将各尺度特征图通道数降为 256。特征融合模块：骨干网络生成的多尺度特征图中，高级特征语义信息丰富但目标定位粗糙，低级特征定位精确但语义信息有限。传统直接像素求和融合有缺陷，研究中的
SFF模块以高级特征为权重筛选低级特征中的关键语义信息。对于输入高级特征$f{high } \in R^{C ×H ×W}和低级特征和低级特征 f{low } \in R^{C ×H{1} ×W{1}}$，先对高级特征用步长为2、卷积核为3 x3的转置卷积扩展，再用双线性插值统一维度得到$f{att } \in R^{C ×H{1} ×W{1}}$，经CA 模块将高级特征转为注意力权重过滤低级特征，最后融合得到$f{out } \in R^{C ×H{1} ×W{1}}，其融合过程公式为，其融合过程公式为 fatt=BL(T−Conv(fhigh))$fout=flow∗CA(fatt)+fatt
2.3 作用
HS-FPN能够利用通道注意力模块，以高级语义特征为权重过滤低级特征，并将筛选后的特征与高级特征逐点相加，实现多尺度特征融合，从而提高模型的特征表达能力，有助于检测到细微特征，增强模型的检测能力。
论文：https://arxiv.org/pdf/2212.11677
源码：https://github.com/Barrett-python/DuAT
三、实现代码及RT-DETR修改步骤
模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：
