摘要
随着深度学习在计算机视觉领域的广泛应用,目标检测任务成为了研究热点之一。YoloV9作为实时目标检测领域的领先模型,凭借其高效性与准确性赢得了广泛的关注。然而,为了进一步提升YoloV9的性能,特别是在特征提取与下采样过程中的信息保留能力,我们引入了来自GCViT(Global Context Vision Transformers)模型中的Downsampler模块。本文将详细阐述这一改进方法,并探讨其带来的显著优势。
Downsampler模块的引入
在YoloV9的原有架构中,下采样主要通过卷积层配合步长(stride)实现,这种方式虽然简单有效,但在特征提取过程中可能会损失部分重要信息。为了克服这一缺陷,我们借鉴了GCViT模型中的Downsampler模块,该模块通过融合MBConv(MobileNetV2中的Inverted Residual Block)与深度可分离卷积(Depthwise Separable Convolution)、Squeeze-and-Excitation(SE)块以及最大池化(Max Pooling)等技术,有效提升了特征提取与下采样的性能。