YOLO11改进|卷积篇|引入Haar小波下采样Down_wt卷积

最新推荐文章于 2024-10-16 14:28:39 发布
最新推荐文章于 2024-10-16 14:28:39 发布
阅读量1.1k 收藏 16
点赞数 17
分类专栏： YOLO11改进专栏 文章标签： YOLO
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/A1983Z/article/details/142813334
版权

在这里插入图片描述

目录

一、【Down_wt】卷积

1.1【Down_wt】卷积介绍

在这里插入图片描述

下图是【Down_wt】的结构图，让我们简单分析一下运行过程和优势

处理过程分析：

  • 无损特征编码（Lossless Feature Encoding）：
  • 首先，输入特征 𝑋大小为 𝐻×𝑊×𝐶，通过 Haar 小波变换（HWT） 进行处理。这种变换能够对图像特征进行降采样，同时保留重要的全局特征信息。
    • <
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv10改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
07-11 513
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv10上其明显降低参数和GFLOPs在V10n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
【YOLOv9改进[Conv]】使用基于Haar的小波变换Down_wt处理替换模型结构中的Conv和ADown 实践
静谧、淡雅
04-30 753
YOLOv9改进:使用基于Haar的小波变换Down_wt处理替换模型结构中的Conv和ADown 实践
Haar小波下采样模块
m0_62919535的博客
01-22 6987
深度卷积神经网络 （DCNN） 通常采用标准的下采样操作，例如最大池化、平均池化和跨步卷积，这可能会导致信息丢失。丢失的信息，如边界和纹理，对于语义分割可能是必不可少的。通过跳过连接到解码器子网（如U-Net、LCU-Net、CENet、LinkNet和RefineNet ）。提取具有空间金字塔池化或扩展卷积的多尺度特征图到融合模块中（如DeepLab、PSPNet、PCPLP-Net、BiSenet和ICNet）。下面是我做实验的代码，感兴趣的可以在自己的数据上面进行实验，我觉得用于交通和医学上应该会有比
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
最新发布
qq_64693987的博客
10-16 1035
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
SSE2实现HAAR小波变换（dwt2与idwt2）
lifesider
12-10 7712
wiki链接：http://en.wikipedia.org/wiki/Haar_wavelet   可用SSE2实现HAAR小波变换，达到实时，关于HAAR小波的介绍可参考以上维基链接  参考MATLAB中dwt2与idwt2的函数原型，基于OpenCV的框架进行了汇编优化实现 HAAR小波也可用于图像的压缩，将CH，CV，CD中的分量值小于某一阈值则归为0，从而这三个矩阵将成为稀疏矩阵
Haar小波提升算法
yh13572438258的博客
04-02 9176
传统的小波变换是在傅里叶变换的基础上演变而来，计算过程中存在着大量的卷积运算或是乘累加的计算，如若在硬件上实现，势必会消耗大量的寄存器资源，而且速度也上不去。提升小波又称为第二代小波，最早是由 Sweldens W.博士于 1995 年在贝尔实验室提出，相对于 Mallat 算法而言，提升小波抛弃了原有的傅里叶变换思想，可在时域中完成正交小波的构造，具有算法简单、运算速度快、占用内存少等优点，而且还能实现整数到整数小波变换，这对于硬件上实现小波变换来说无疑是个天大的好消息。 小波变换的提升算法主要由分裂（
即插即用篇 | YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-05 2080
YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv5改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-19 1042
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V5n上使用该机制后参数量为147W计算量GFLOPs为3.7欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 3191
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！目录一、本文介绍二、原理介绍。
Yolov8-pose关键点检测：下采样系列 | 一种新颖的基于 Haar 小波的下采样HWD，有效涨点系列
04-13 925
代替原始网络的conv，下采样过程中尽可能包括更多信息，从而提升检测精度。
即插即用篇 | RTDETR引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-06 713
即插即用篇 | RTDETR引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
图像Haar小波变换
HanFeiKei的博客
11-01 2万+
说起小波变换就需要提起傅里叶变换。傅里叶变换就是把波进行分解，可以认为任意一个周期波都可以有足够多的正弦（余弦）波组成，这里足够多的正弦波对应的频率不同，把这些足够的正弦波放在频域中，就是傅里叶变换，详细傅里叶变换可以参见这里，如图1。 图1 傅里叶变换 详细的小波变换可以参考这里，简单说来就是用一系列集中的、能量有限的波代替正弦波。而Haar小波变换就是利用haar滤波器进行计算。 一维...
（3）小波变换原理及应用
热门推荐
Techblog of HaoWANG
09-30 7万+
Introduction To The Wavelet Transform 1、Origin of the wavelet transform: The theories of Wavelet originate from diffierent areas of study: Engineering Time-frequency analysis and Multiresolution ...
Haar小波变换的快速实现
凌风探梅的专栏
12-17 4489
Haar小波变换的快速实现 2014年3月12日renjihe发表评论阅读评论 先举个例子，有a=[100,12,43,39]四个数，并使用b[4]数组来保存结果。 一级Haar小波变换的结果为: b[0] = (a[0] + a[1])/2 b[1] = (a[2] + a[3])/2 b[2] = (a[0] – a[1])/2 b[3] = (a[2] –
哈尔小波变换
gonxi的专栏
05-10 1万+
<br />    小波变换的基本思想是用一组小波函数或者基函数表示一个函数或者信号，例如图像信号。为了理解什么是小波变换，下面用一个具体的例子来说明小波变换的过程。<br />1. 求有限信号的均值和差值<br />   [例8. 1] 假设有一幅分辨率只有4个像素 的一维图像，对应的像素值或者叫做图像位置的系数分别为： <br />                  [9  7  3  5]<br /> 计算它的哈尔小波变换系数。<br />计算步骤如下：<br />    步骤1：求均值(averag
不同小波基的小波变换（卷积）
songhhll的专栏
10-31 7022
#include #include #include #include #include #define WIN_WIDTH  1//1~10,选择小波基 double *Ld = new double[2*WIN_WIDTH];  //分解尺度函数 double *Hd = new double[2*WIN_WIDTH];  //分解母函数 double *Lr =
即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-10 974
即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
【YOLOv8改进】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-16 1254
下采样操作，如最大池化或步幅卷积，被广泛应用于卷积神经网络（CNN）中，用于聚合局部特征、扩大感受野和最小化计算开销。然而，对于语义分割任务，在局部邻域内进行池化特征可能会导致重要空间信息的丧失，而这些信息对于逐像素的预测是有帮助的。为了解决这个问题，我们引入了一种简单但有效的池化操作，称为基于Haar小波的下采样（HWD）模块。该模块可以轻松集成到CNN中，以提高语义分割模型的性能。HWD的核心思想是应用Haar小波变换来降低特征图的空间分辨率，同时尽可能保留信息。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值