YoloV8改进策略：主干网络篇|StarNet，重写星操作

摘要

本文主要集中在介绍和分析一种新兴的学习范式——星操作（Star Operation），这是一种通过元素级乘法融合不同子空间特征的方法，通过元素级乘法（类似于“星”形符号的乘法操作）将不同子空间的特征进行融合，从而在多个研究领域中展现出出色的性能和效率。

星操作在自然语言处理（NLP）和计算机视觉（CV）等多个领域中都得到了成功应用。例如，在自然语言处理中，Monarch Mixer、Mamba、Hyena Hierarchy和GLU等模型都采用了星操作；在计算机视觉中，FocalNet、HorNet和VAN等模型也利用了星操作进行特征融合

当将星操作融入神经网络并堆叠多层时，每一层都使隐含的维度复杂度呈指数级增长。这种高效的特征融合方式使得星操作能够在紧凑的特征空间内实现近乎无限的维度，从而极大地提高了模型的表示能力和性能。

使用StarNet改进YoloV8，实现超赞的效果，如果你想做轻量级改进的模型，非常推荐！

论文：《Rewrite the Stars》

https://arxiv.org/pdf/2403.19967

最近的研究已经引起了人们对网络设计中“星操作”（元素级乘法）尚未开发的潜力的关注。尽管直观的解释很多，但其应用背后的基本原理仍然在很大程度上未被探索。我们的研究试图揭示星操作将输入映射到高维、非线性特征空间的能力——类似于核技巧——而无需加宽网络。我们还引入了Sta