简介：

时间：2025

期刊：TPAMI

作者：Yifan Feng, Jiangang Huang, Shaoyi Du, Shihui Ying, Jun-Hai Yong

摘要：

①Hyper-YOLO引入一种新的目标检测方法，结合超图计算捕捉视觉特征中的复杂高阶相关性

②为解决传统的YOLO模型在 Neck 结构上的局限，提出了HGC-SCS框架

创新点：

①提出HGC-SCS框架：结合超图计算和高阶信息建模，实现更强的特征表达能力

②设计HyperC2Net（改进 YOLO Neck 结构）：突破传统YOLO仅限于相邻层特征融合的局限，实现更高效的信息传播

③引入MANet改进 Backbone：结合不同类型的卷积（标准卷积、深度可分卷积、C2f 模块）提升特征提取能力

方法：

HGC-SCS 框架：

HGC-SCS（Hypergraph Computation Empowered Semantic Collecting and Scattering）是 Hyper-YOLO 的核心框架，主要功能包括语义特征收集、超图计算、语义散射。

过程：

①采用超图构造函数来估计语义空间中特征点之间潜在的高阶相关性

②利用光谱或空间超图卷积方法，通过超图结构在特征点之间传播高阶信息，生成

③将高阶关系信息集成到中，生成的混合特征映射，由和融合产生

语义特征收集：

跨多个层（B1, B2, B3, B4, B5）收集 Backbone 提取的特征

通过矩阵拼接（Concatenation）形成混合特征表示

超图计算：

①通过基于距离的超图构建生成超图结构

通过执行五个基本特征的通道级连接来启动该过程，从而合成跨层视觉特征。

超边构造：

表示所有特征点的集合，每个顶点都会有一个对应的超边

某个特征点的邻居集合可表示为

所有与 之间的距离小于ϵ的点（相似性高的），都会被包含在超边中

②使用超图卷积进行高阶信息传播，生成增强特征

 两阶段超图信息传递的矩阵表达式：

语义散射：

将网格特征分解为语义空间中的一组特征点，并基于距离构建超边缘，从而允许高阶消息在点集中不同位置的顶点之间传递。结合超图特征和不同层的 Backbone 特征 进行融合，得到最终检测特征

MANet：

MANet作为Hyper-YOLO的Backbone改进模块，目标是增强特征提取能力

特点：

结合 1×1 通道重校准卷积、深度可分离卷积（DSConv）、C2f 模块

通过混合不同类型的卷积操作，实现更强的信息流动

采用跳跃连接，确保梯度流动稳定

流程：

最终特征拼接后的

HyperC2Net：

HyperC2Net 负责跨层、跨位置信息传播。

主要特点：

采用超图构建（Hypergraph Construction）生成高阶特征关系

通过超图卷积（Hypergraph Convolution）在语义空间中传播信息

采用底部向上（Bottom-Up）信息融合，使特征信息更全面

结论：

Hyper-YOLO 通过引入超图计算和高阶特征建模，有效增强了 YOLO 模型的目标检测能力：突破传统 YOLO 仅限于相邻层特征融合的局限；提升跨层 & 跨位置信息传播能力；在 COCO 数据集上取得 SOTA 级别性能。

HyperYOLO的主干，C2f模块被MANet模块取代，MANet采用深度可分离卷积，增加通道数

Hyper2net通过对每个模型尺度采用不同的距离阈值来相应地调整其方法，根据模型规模和特征点分布动态调整阈值