前言：Hello大家好，我是小哥谈。目标检测一直是目标检测领域中的一个具有挑战性的问题，已经有一些研究提出了改进方法，如添加多个注意力模块或改变特征融合网络的整体结构，以解决这个问题。然而，这些模型的计算成本较高，使得部署实时目标检测系统变得不可行，同时还有改进的空间。为此，提出了改进的YOLOv5模型：HIC-YOLOv5，以解决上述问题。首先，添加了一个针对小目标的额外预测Head，以提供更高分辨率的特征图，从而实现更好的预测。其次，在Backbone网络和Neck之间采用了一种称为"involution block"的模块，以增加特征图的通道信息。此外，在Backbone网络的末端应用了一种名为CBAM的注意力机制，不仅降低了与以前的方法相比的计算成本，还强调了通道和空间领域的重要信息。结果显示，HIC-YOLOv5在VisDrone-2019-DET数据集上将mAP@[.5:.95]提高了6.42%，将mAP@0.5提高了9.38%。🌈
目录