【YOLOv10改进-特征融合】YOLO-MS MSBlock : 分层特征融合策略

YOLOv10目标检测创新改进与实战案例专栏

改进目录: YOLOv10有效改进系列及项目实战目录：卷积，主干 注意力，检测头等创新机制

专栏链接: YOLOv10 创新改进有效涨点

介绍

摘要

我们旨在为目标检测领域提供一种高效且性能卓越的目标检测器，称为YOLO-MS。其核心设计基于一系列调查研究，关于不同核心大小的卷积如何影响不同尺度物体的检测性能。研究结果是一种新策略，能够显著增强实时目标检测器的多尺度特征表示能力。为验证我们策略的有效性，我们构建了一个网络架构，命名为YOLO-MS。我们从零开始在MS COCO数据集上训练我们的YOLO-MS，不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。无需任何附加装置，我们的YOLO-MS就超越了最新的实时目标检测器，包括YOLO-v7和RTMDet，当使用可比较的参数数量和FLOPs时。以YOLO-MS的XS版本为例，仅有4.5M的可学习参数和8.7G FLOPs，就能在MS COCO上达到43%+的AP得分，比相同模型大小的RTMDet高出约2%+。此外，我们的工作还可以作为一个即插即用的模块用于其他YOLO模型。通常，我们的方法显著提高了YOLOv8的AP，从37%+提高到了40%+，而且使用的参数和FLOPs还更少。

创新点

1. 多尺度构建块（MS-Block）设计：YOLO-MS引入了MS-Block，一个具有分层特征融合策略的构建块，旨在增强实时目标检测器在提取多尺度特征时的能力。MS-Block通过将输入特征分割并传递到多个分支中，并在每个分支中应用具有不同Kernel大小的Inverted Bottleneck Block，来编码不同尺度的特征。

2. 异构Kernel选择（HKS）协议：为了更有效地捕捉多尺度语义信息，YOLO-MS提出了一种在不同阶段中采用不同大小Kernel的策略。具体地，在编码器的浅层使用小Kernel卷积处理高分辨率特征，在深层使用大Kernel卷积捕捉更广泛的信息。这种设计使得YOLO-MS能够在保持高效推理的同时，提升对不同尺寸目标的检测性能。

3. 高效性能与准确性的平衡：YOLO-MS在保持较低计算复杂度的条件下，实现了优于当时最先进实时目标检测器的性能。这得益于其精心设计的网络结构和创新的特征表示策略，如MS-Block和HKS协议，使得模型在不依赖任何大规模数据集预训练的情况下，也能在公开数据集上达到高精度。

4. 即插即用的模块化设计：YOLO-MS不仅作为一个独立的目标检测模型存在，其核心组件如MS-Block也可以作为即插即用的模块，集成到其他YOLO系列模型中，以提升这些模型在多尺度目标检测任务上的性能。