YOLO系列算法改进 | Neck改进篇 | 融合EFC层间特征相关性模块 | 通过多尺度特征交互减少冗余信息丢失即插即用
0. 前言
本文介绍了增强层间特征相关性（Enhanced Interlayer Feature Correlation，EFC），并将其集成到ultralytics最新发布的YOLO26目标检测算法中，改进Neck特征融合部分。检测无人机图像小物体具有挑战性，传统多尺度特征融合方法存在不足。EFC 模块通过引入分组的特征聚焦单元（GFF）增强特征关联性，利用多级特征重构模块（MFR）进行特征重构，减少冗余特征生成，且具有通用性和适应性。我们将 EFC 模块集成进 YOLO26，替换部分特征融合策略。该方法即插即用，有望提升 YOLO26在小物体检测任务中的性能。
专栏链接：YOLO系列算法改进专栏链接
目录
0. 前言
1. EFC增强层间特征相关性模块简介
2. EFC模块基本原理与创新点
???? EFC模块的基本原理
???? PGI 的主要创新点
3. 具体改进步骤
????????步骤1：创建EFC.py文件
????????步骤2：tasks.py文件修改
????????步骤3：创建YAML配置文件
????????步骤4：新建train.py文件训练模型
????????步骤5：模型结构打印结果
1. EFC增强层间特征相关性模块简介
鉴于无人机图像存在低分辨率以及背景混合的情况，检测其中的小物体颇具挑战性，这会造成特征信息有限。多尺度特征融合能够通过获取不同尺度上的信息来增强检测能力，然而传统方法存在一定缺陷。简单的连接或加法运算无法充分发挥多尺度融合的优势，致使特征之间的相关性不足。这一缺陷对小物体的检测造成了阻碍，尤其是在复杂背景和人口稠密地区。为解决该问题并有效利用有限的计算资源，本文提出一种基于增强层间特征相关性（EFC）的轻量级融合策略，用以替代传统特征金字塔网络（FPN）中的特征融合策略。特征金字塔中不同图层的语义表达存在不一致性。在EFC策略里，分组的特征聚焦单元（GFF）通过聚焦不同特征的上下文信息来增强各层的特征相关性。多级特征重构模块（MFR）对金字塔中各层的强弱信息进行有效的重构和变换，减少冗余的特征融合，从而保留更多的小目标信息。值得一提的是，所提出的方法具有即插即用的特性，能够广泛应用于各种基础网络。
原始论文：
