YOLOv9改进策略【Neck】| GSConv+Slim Neck：混合深度可分离卷积和标准卷积的轻量化网络设计

一、本文介绍

本文记录的是利用GsConv优化YOLOv9的颈部网络。深度可分离卷积（DSC）在轻量级模型中被广泛使用，但其在计算过程中会分离输入图像的通道信息，导致特征表示能力明显低于标准卷积（SC），而GsConv采用混合策略，使DSC的输出通过打乱特征更接近SC，从而优化模型的性能。本文利用GsConv+Slim Neck改进YOLOv9的颈部网络，使其在提升特征表示能力的同时降低计算成本和内存占用。

---

专栏目录：YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！