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）

已于 2024-04-19 15:25:38 修改
阅读量1.3k 收藏 19
点赞数 17
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 计算机视觉 深度学习 人工智能 python 机器学习
于 2024-04-19 04:00:00 首次发布
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/java1314777/article/details/137937563
版权
本文介绍了使用Haar小波的下采样HWD来替换YOLOv5中的传统Conv下采样，以此降低模型参数和计算量。详细阐述了HWD的原理，提供了核心代码修改步骤，并分享了HWD的yaml配置文件和训练过程截图。通过这一改进，可以在保持图像质量的同时，实现模型的轻量化。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

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！  

 专栏回顾： YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

目录

一、本文介绍

二、原理介绍

三、核心代码 

四、手把手教你添加HWD机制

 4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、HWD的yaml文件和运行记录

5.1 HWD的yaml文件

了解本专栏 订阅专栏 解锁全文
YOLO11改进|卷积篇|引入Haar小波下采样Down_wt卷积
A1983Z的博客
10-10 1462
YOLO11中添加Down_wt卷积
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 4285
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。
离散小波变换（DWT）详解
最新发布
DuHz的博客
02-14 3953
离散小波变换（Discrete Wavelet Transform，DWT）是一种信号处理技术，通过多尺度分析信号的局部特征，广泛应用于信号压缩、去噪、特征提取等领域。与传统的傅里叶变换不同，DWT能够更好地分析具有局部变化的信号。本文将详细介绍DWT的基本概念、数学原理、算法步骤、应用等内容。
Haar小波下采样模块
热门推荐
m0_62919535的博客
01-22 1万+
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
小波变换网文精粹：小波变换教程(二十一)
yanlijun250
02-17 437
小波变换网文精粹：小波变换教程(二十一) 原文：ROBI POLIKAR. THE ENGINEER'S ULTIMATE GUIDE TO WAVELET ANALYSIS：The Wavelet Tutorial 网址：http://users.rowan.edu/~polikar/WAVELETS/WTtutorial.html 二十一、离散小波变换(一) 1、为什么需要离散小波变换...
YOLOv9独家原创改进|使用HWD:Haar小波下采样模块
深度学习炼丹师，偶尔分享炼丹技术!
03-02 5829
最大池化或跨步卷积等下采样操作在卷积神经网络（CNNs）中广泛使用，以聚合局部特征，扩大感受野，并最大限度地减少计算开销。然而，对于语义分割任务，在局部邻域上汇集特征可能会导致重要空间信息的丢失，这有利于像素预测。为了解决这个问题，我们引入了一种简单而有效的池化操作，称为基于Haar小波的下采样（HWD）模块。该模块可以很容易地集成到细胞神经网络中，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，同时保留尽可能多的信息。
YOLOv9独家改进|使用HWD(小波下采样)模块改进ADown
深度学习炼丹师，偶尔分享炼丹技术!
03-04 5647
HWD是一种下采样模型，应用了小波变换的方法。ADown是YOLOv9中的下采样模块，对不同的数据场景具有一定的可学习能力。HWD-ADown的主要思想： 使用HWD替换ADown中的Conv模块。
YoloV8改进策略：下采样改进|HWD改进下采样
m0_47867638的博客
03-15 2629
此外，为了研究HWD的优势，我们提出了一种新的度量指标，即特征熵指数（FEI），用于衡量CNN中下采样后信息的不确定性程度。• 我们为卷积神经网络（CNNs）提出了一种新颖的基于小波的下采样模块（HWD）。据我们所知，我们的方法是首次尝试探索在深度卷积神经网络（DCNNs）的下采样阶段禁止（或阻碍）信息丢失的可行性，以改善语义分割任务的性能。• 我们探索了卷积神经网络中信息不确定性的度量方法，并提出了一种新的指标，即特征熵指数（FEI），用于评估下采样特征图与预测结果之间的信息不确定性或特征重要性。
YOLOv11改进 | Conv篇 | 2024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
10-15 2084
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YOLOv11上其明显降低参数和GFLOPs在V11n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！
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
07-11 746
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改进策略 | 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
04-22 1792
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V9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！
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 2844
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改进：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
02-02 2241
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，同时保留尽可能多的信息，与传统的下采样方法相比，有效降低信息不确定性。
小波下采样，即插即用
Angelina_Jolie的博客
10-31 998
这篇论文利用频域的小波变化来进行降采样，图像经过小波变化会得到1个低频特征A,和3个高频特征H、V、D。常规的下采样操作普遍面临的信息损失问题，应用Haar小波变换来降低特征图的空间分辨率，可以更完整的保留图像的信息。代码非常简单，只有几行，我们非常简单的将其应用到我们的模型中，用于替换常规的下采样模块，像是卷积下采样、最大池化下采样、平均池化下采样等。
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
weixin_39818775的博客
07-10 958
在目标检测和语义分割任务中，特征下采样是至关重要的一步，它可以降低模型的计算复杂度，同时保留重要的特征信息。传统的 YOLOv5 和 YOLOv7 模型使用池化层来进行特征下采样，但池化层会丢失一些重要的空间信息。为了解决这个问题，本文提出了一种新的方案，即使用 Haar 小波下采样来替换 YOLOv5 和 YOLOv7 中的池化层。Haar 小波是一种简单而有效的下采样方法，它可以保留更多的空间信息，同时降低计算复杂度。
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割到目标检测，跨领域移植，助力创新点构建！
B站 Ai学术叫叫兽的文案地
09-10 1417
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割目标检测，跨领域移植，助力创新点构建！
YoloV9改进策略：下采样改进|自研下采样模块（独家改进）|疯狂涨点|附结构图
m0_47867638的博客
04-18 1527
本文介绍我自研的下采样模块。本次改进的下采样模块是一种通用的改进方法，你可以用分类任务的主干网络中，也可以用在分割和超分的任务中。已经有粉丝用来改进ConvNext模型，取得了非常好的效果，配合一些其他的改进，发一篇CVPR、ECCV之类的顶会完全没有问题。本次我将这个模块用来改进YoloV9，实现大幅度涨点。本文自研下采样模块，实现YoloV9的涨点。欢迎大家在自己的数据集上做尝试。链接：https://pan.baidu.com/s/1QFrpJuHOaDpKTEmBIIxdYw?pwd=cpvq。
YOLOv9改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
Limiiiing的博客
09-19 970
本文记录的是利用Haar小波下采样对YOLOv9网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
(即插即用模块-特征处理部分) 六、(2023) Wavelet DownSample 哈尔小波下采样
wei582636312的博客
12-15 1230
传统的下采样操作（如最大池化或步长卷积）会导致信息丢失，尤其是边界、纹理等对语义分割至关重要的信息。而现有的方法中，如跳跃连接、多尺度特征融合等，虽然可以缓解信息丢失的问题，但简单的特征聚合（如求和或拼接）可能会引入无关信息，阻碍判别性特征的学习。所以这篇论文提出一种新颖的下采样方式，即 哈尔小波下采样（Haar Wavelet DownSample）。HWD 具有多尺度无损快速信号分解的优势。
yolov5什么是上采样还是下采样
02-08
### YOLOv5 上采样与下采样的定义及差异 #### 下采样 在计算机视觉领域，特别是对于像YOLOv5这样的卷积神经网络模型来说，下采样是指通过一系列操作减少特征图的空间维度的过程。这通常是为了降低计算复杂度并提取更高级别的语义信息。常见的实现方法包括最大池化层(Max Pooling)以及带有步幅(stride)大于1的卷积层。 - **作用**: 减少输入尺寸的同时增加感受野大小, 提取高层次抽象特征. ```python import torch.nn as nn downsample_layer = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=2, padding=1) ``` [^4] #### 上采样 相反地，上采样则是指将低分辨率特征映射恢复到较高分辨率的操作，在物体检测任务中用于融合多尺度信息。YOLOv5采用了多种技术来完成这一过程，其中最常用的是转置卷积(Deconvolution)，也称为反卷积或分数阶卷积。此外还有其他简单有效的插值方法如最近邻插值(Nearest Neighbor Interpolation), 双线性插值(Bilinear Interpolation)等可供选择。 - **作用**: 增加空间分辨率以便更好地定位目标位置. ```python upsample_layer = nn.Upsample(scale_factor=2, mode='nearest') ``` [^3] 两者的主要区别在于处理方向的不同——下采样是从高维向低维转换，而上采样则反之；另外就是应用场景上的差别，前者主要用于编码器部分以获取更具代表性的特征表示，后者更多应用于解码阶段帮助重建原始图像结构或是提高预测框精度。
评论 3
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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