摘要
在深度学习和计算机视觉领域，YoloV9以其卓越的目标检测性能赢得了广泛的关注与应用。为了进一步提升YoloV9的识别精度和鲁棒性，我们创新性地在其核心组件——RepNBottleneck模块中引入了迭代注意力特征融合（iAFF）模块。这一改进不仅实现了显著的涨点效果，还展现了在复杂场景下的强大适应性。
改进概述
传统的YoloV9通过堆叠RepNBottleneck模块来构建其深度网络结构，以捕捉图像中的多层次特征。然而，在处理多尺度特征融合时，传统的简单加法或拼接操作往往无法有效整合不一致的语义和尺度信息，从而限制了模型性能的进一步提升。为了克服这一局限，我们在RepNBottleneck模块中嵌入了iAFF模块，实现了对输入特征图的动态和自适应融合。
优点总结
-
多尺度特征融合：iAFF模块通过聚合局部和全局上下文信息，解决了不同尺度特征融合时的语义不一致性问题。这种多尺度融合机制使得YoloV9能够更有效地识别并定位图像中的大、中、小各类物体，显著提高了检测精度。
-
动态软选择：与传统的固定权重融合方法不同，iAFF模块能够动态地生成融合权重，实现对输入特征的软选择和加权平均。这种机制不仅增强了模型对复杂场景的适应能力，还提升了特征的表征能力。
-
迭代优化：通过引入迭代注意力特征融合机制