YoloV8改进策略：将DCN v1与v2运用到YoloV8中，化身成上分小黑子

摘要

在前面的文章中，我们尝试用DCNv3替换YoloV8中的结构，实现了分数的上涨。在这篇文章中，我们尝试用DCNv1与DCNv2.比一比哪个才是最优秀的小黑子。

DCNv1和DCNv2（可变形卷积）

论文链接：

• DCN v1论文https://arxiv.org/pdf/1703.06211.pdf
• DCN v2论文https://arxiv.org/pdf/1811.1116

背景

在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常来说我们有两种做法:

(1)通过充足的数据增强，扩充足够多的样本去增强模型适应尺度变换的能力。

(2)设置一些针对几何变换不变的特征或者算法，比如SIFT和sliding windows。

两种方法都有缺陷，第一种方法因为样本的局限性显然模型的泛化能力比较低，无法泛化到一般场景中，第二种方法则因为手工设计的不变特征和算法对于过于复杂的变换是很难的而无法设计。所以作者提出了Deformable Conv（可变形卷积）。

可变形卷积

可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，而是在传统的卷积操作上加入了一个偏移量，正是这个偏移量才让卷积变形为不规则的卷积。