YOLOv13改进：特征融合 | 一种新颖的多尺度特征融合iAFF，适配小目标检测

### YOLOv8 中多尺度特征融合 FPN 的实现方式与原理 #### 1. 基于 GFPN 的结构化特征融合网络 YOLOv8 使用基于 GFPN (Global Feature Pyramid Network) 的结构化特征融合网络重建了原始颈部部分，以促进不同级别之间的有效特征融合[^1]。这种设计使得低级特征和高级特征可以在多个尺度上相互补充，增强了模型对不同类型物体的检测能力。 #### 2. 多尺度通道注意力模块（iAFF） 为了进一步优化特征融合过程，YOLOv8 引入了一个名为 iAFF（Iterative Attentional Feature Fusion）的多尺度通道注意力模块[^3]。此模块通过对通道上的多尺度上下文信息进行聚合，不仅强调了全局分布较大的对象，也关注到了局部分布较小的目标。具体来说： - **多尺度上下文信息聚合**：通过在不同尺度下计算特征图的重要性权重，确保每个尺度下的重要特征都能被充分保留。 - **迭代注意力机制**：采用多次迭代的方式逐步调整各层之间传递的信息量，使最终得到的特征表示更加鲁棒且富含细节。 ```python def multi_scale_channel_attention(feature_maps): scales = [F.interpolate(feat, scale_factor=scale, mode='nearest') for feat in feature_maps] # 计算各个尺度下的注意力权重 weights = [] for s in scales: weight = compute_attention_weight(s) weights.append(weight) fused_feature = sum([feat * w for feat, w in zip(scales, weights)]) return fused_feature ``` #### 3. HS-FPN 结构的应用 除了上述方法外，YOLOv8 还借鉴了 HS-FPN （Hierarchical Scale-based Feature Pyramid Network）的设计理念，在处理多尺度特征融合时采用了更高效的策略[^4]。HS-FPN 主要由两大部分组成——特征选择模块和特征融合模块，这两个模块共同作用降低了整体参数数量的同时提升了性能表现。 ```python class HSFusionModule(nn.Module): def __init__(self, channels_list): super(HSFusionModule, self).__init__() self.feature_selection_layers = nn.ModuleList([ ConvLayer(in_channels=c, out_channels=c//2, kernel_size=1) for c in channels_list]) def forward(self, features): selected_features = [conv(feat) for conv, feat in zip(self.feature_selection_layers, features)] fused_output = torch.cat(selected_features, dim=1) return fused_output ``` 综上所述，YOLOv8 在多尺度特征融合方面的创新主要包括引入基于 GFPN 的新型颈部分支、应用 iAFF 模块强化跨尺度交互以及利用 HS-FPN 架构简化计算流程并保持高效能输出。