【YOLO11改进 - 注意力机制】添加YOLO-Face提出的SEAM注意力,提高遮挡情况下的特征学习能力

YOLOv11目标检测创新改进与实战案例专栏

文章目录： YOLOv11创新改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv11目标检测创新改进与实战案例

介绍

摘要

近年来，基于深度学习的人脸检测算法已取得重大进展。这些算法通常可分为两类，即二阶段检测器如Faster R-CNN和单阶段检测器如YOLO。由于在精度和速度之间取得了更好的平衡，单阶段检测器已在许多应用中被广泛使用。本文中，我们提出了一种基于单阶段检测器YOLOv5的实时人脸检测器，命名为YOLO-FaceV2。我们设计了一个称为RFE的感受野增强模块来增强小脸部的感受野，并使用NWD Loss来弥补IoU对微小物体位置偏差的敏感性。针对面部遮挡问题，我们提出了一个名为SEAM的注意力模块，并引入排斥损失来解决它。此外，我们使用一个称为Slide的权重函数来解决简单和困难样本之间的不平衡，并使用有效感受野的信息来设计锚点。在WiderFace数据集上的实验结果显示，我们的面部检测器性能超过了YOLO及其变体，在所有简单、中等和困难的子集中都有所体现。源代码可在https://github.com/Krasjet-Yu/YOLO-FaceV2找到。

文章链接

论文地址：论文地址

代码地址：