YOLOv9改进，YOLOv9检测头融合ASFF（自适应空间特征融合），全网首发

摘要

一种新颖的数据驱动的金字塔特征融合策略，称为自适应空间特征融合 （ASFF）。它学习了在空间上过滤冲突信息以抑制不一致的方法，从而提高了特征的尺度不变性，并引入了几乎免费的推理开销。

# 理论介绍

目标检测在处理不同尺度的目标时，常采用特征金字塔结构。然而，这种金字塔结构在单步检测器中存在尺度不一致性问题，即不同尺度的特征层在检测过程中可能产生冲突，导致精度下降。ASFF方法通过学习每个尺度特征的自适应融合权重，过滤掉无用的或冲突的信息，只保留有助于检测的特征，从而提高特征的尺度不变性。ASFF核心步骤如下：

• 特征重缩放：首先将不同层次的特征进行上采样或下采样，使它们具有相同的分辨率。

• 自适应融合：对每个层次的特征，模型学习空间位置的权重参数，自动决定每个位置该融合哪些特征，并通过Softmax函数保证权重总和为1。融合后的特征用于目标检测。

• 梯度一致性优化：通过自适应融合，ASFF能够在梯度传播过程中减少不同特征层之间的冲突，优化训练过程中的梯度一致性

ASFF自适应空间特征融合机制的工作原理如下图（摘自论文）：

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

下文都是手把手教程，跟着操作即可添加成功