本文主要是介绍YoloV8改进策略：BackBone改进|PKINet，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
摘要
PKINet是面向遥感旋转框的主干，网络包含了CAA、PKI等模块，给我们改进卷积结构的模型带来了很多启发。本文，使用PKINet替代YoloV8的主干网络，实现涨点。PKINet是我在作者的模型基础上，重新修改了底层的模块，方便大家轻松移植到YoloV8上。
论文：《Poly Kernel Inception Network在遥感检测中的应用》
https://export.arxiv.org/pdf/2403.06258
遥感图像（RSI）中的目标检测经常面临一些日益严重的挑战，包括目标尺度的巨大变化和多样的上下文环境。先前的方法试图通过扩大骨干网络的空间感受野来解决这些挑战，要么通过大核卷积，要么通过空洞卷积。然而，前者通常会引入大量的背景噪声，而后者则可能生成过于稀疏的特征表示。在本文中，我们引入了Poly Kernel Inception Network（PKINet）来处理上述挑战。PKINet采用无空洞的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。此外，我们还并行引入了一个Context Anchor Attention（CAA）模块来捕获长距离上下文信息。这两个组件共同作用，提高了PKINet在四个具有挑战性的遥感检测基准上的性能，即DOTA-v1.0、DOTA-v1.5、HRSC2016和DIOR-R。
1、简介
遥感图像（RSI）中的
这篇关于YoloV8改进策略：BackBone改进|PKINet的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
