摘要
新型的BGF-YOLO模型，在YOLOv8的基础上进行优化，用于准确检测MRI中的脑肿瘤。作者证明，BGF-YOLO模型通过优化GFPN特征融合结构、引入BRA注意力机制以及增加检测头，显著提升了YOLOv8的物体检测能力。
理论介绍
BiLevelRoutingAttention（简称BRA）是一种动态、查询感知的稀疏注意力机制。其核心思想是通过路由机制来有效地聚焦于输入特征中的最重要部分，从而提高特征融合和物体检测的性能。BRA主要有以下特点：
- 双层路由：该机制通过两个层次的路由来优化注意力分配，第一层是区域级路由，第二层是多头自注意力。
- 稀疏注意力：BRA机制通过“稀疏化”注意力计算，使得模型能够只关注最相关的区域，从而提高计算效率，并减少冗余信息的影响
- 性能提升：通过优化特征图的关注区域，BRA能够显著提高模型在脑肿瘤检测等任务中的准确性，尤其是在处理复杂背景和细节时，有助于捕捉与目标区域（如肿瘤区域）相关的特征。
CSPStage GFPN是特征融合网络的一种改进形式，它结合了广义特征金字塔网络（GFPN）和跨阶段部分密集网络（CSP），旨在有效处理多尺度特征融合的问题。GFPN本身是通过改进传统的特征金字塔网络（FPN）来增强多尺度特征融合能力。CSPStage GFPN具体的工作原理包括：
- GFPN的优化：传统的FPN通常采用自上而下的特征融合方法，结合了不同层次的特征信息，但有时可能会丢失重要的空间细节信息。
- 跨阶段部分密集网络（CSP）：CSP网络通过引入跳跃连接，将不同层次的特征在网络中进行共享。
- 多级特征融合：CSPStage GFPN通过改进FPN和PANet结构，能够在多层次上实现更强的特征融合，这对于提高模型对不同尺度和复杂背景下肿瘤的检测能力非常重要。
YOLOv10中只有三个检测头，分别处理不同尺寸的物体（20×20、40×40和80×80）。然而，这种结构可能无法满足检测大尺寸物体，增加第四层检测头，为了处理不同尺度的物体。
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