YOLOv10改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点

已于 2024-12-16 19:00:40 修改
阅读量630 收藏 3
点赞数 2
CC 4.0 BY-SA版权
分类专栏： YOLOv10改进专栏 文章标签： YOLO 深度学习 计算机视觉 目标检测
于 2024-11-06 12:45:27 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/qq_42591591/article/details/143560976

一、本文介绍

本文记录的是利用小波卷积WTConv模块优化YOLOv10的目标检测网络模型。WTConv的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了CNN在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C2fCIB，使模块更好地捕捉低频特征，增强网络性能。

专栏目录：YOLOv10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：YOLOv10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！

文章目录

了解本专栏 订阅专栏 解锁全文
YOLOv11涨点改进 | 独家Conv篇 | ECCV 2024| YOLOv11添加WTConv小波卷积, 能够更有效地捕捉局部和全局特征, 助力高效涨点
Ai缝合怪、助力小伙伴高效发论文
08-19 103
本文提出了一种基于小波变换的WTConv卷积模块，用于优化YOLOv11目标检测模型。该模块通过小波变换实现大感受野和高参数效率，在ImageNet分类、语义分割和目标检测任务中均表现出性能提升。WTConv采用多级小波分解结构，以对数级参数增长实现指数级感受野扩展，同时增强网络对低频信息的捕捉能力及形状偏好。实验表明，该模块能有效提升模型对图像损坏的鲁棒性，并可作为即插即用组件直接替代现有CNN架构中的深度可分离卷积。文章详细介绍了WTConv的核心代码实现、模块添加方法及yaml配置文件创建过程。
即插即用篇 | YOLOv8 引入大感受野的小波卷积 | ECCV2024
YOLOv8项目贡献者
07-15 5607
即插即用篇 | YOLOv8 引入大感受野的小波卷积 | ECCV2024
WTConv：大感受野的小波卷积
m0_62953704的博客
07-31 3940
我们能否利用信号处理工具来有效地增加卷积的感受野，而不会受到过度参数化的影响？换句话说，我们可以拥有非常大的过滤器（例如，具有全局感受野）并且仍然可以提高性能吗？本文对这个问题给出了肯定的答案。本文提出的方法利用小波变换（Wavelet Transform, WT）来使卷积感受野很好地放大，并通过级联引导CNN更好地响应低频。在某种程度上，本文将解决方案基于小波变换（与傅里叶变换等不同）的动机是它保留了一些空间分辨率。这使得小波域中的空间运算（例如卷积）更有意义。
小波卷积：为计算机视觉任务开辟新的参数效率之路
weixin_73040764的博客
08-24 1万+
论文成功地利用小波变换（WT）提出了WTConv层，这是一种新的CNN层，能够在不大幅增加参数的情况下显著增加感受野。WTConv层通过在小波域中进行卷积操作，实现了对输入数据的多频率响应，这使得网络能够更好地捕捉低频信息，从而提高了对形状的敏感性，并增强了网络的鲁棒性。实验结果表明，WTConv层在多个视觉任务中都取得了性能提升，证明了其有效性。
YOLOv11改进-卷积-引入小波卷积WTConv 解决多尺度小目标问题
qq_64693987的博客
10-18 9653
1.首先，WTConv利用二维Haar小波变换对输入图像进行多级分解。低频分量 (LL)：捕捉图像的低频信息，如整体形状或轮廓。水平高频分量 (LH)：捕捉图像中的水平边缘信息。垂直高频分量 (HL)：捕捉图像中的垂直边缘信息。对角线高频分量 (HH)：捕捉图像的对角线细节。在每一级的小波变换中，图像被下采样（空间分辨率减半），但频率信息得到了更细的分解。递归地执行小波变换（称为多级分解）可以得到不同尺度下的频率分量。
大感受野的小波卷积WTConv助力YOLOv11
m0_53148408的博客
10-28 1885
WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更为高效、鲁棒且易于集成的卷积层解决方案，我将其用于二次创新YOLOv11中的C3k2机制可以减少一定参数量和计算量，达到一个可观的轻量化作用（这种小波Conv对于目前的创新角度来说是非常流行的）。三、核心代码。
YOLOv11改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点
Limiiiing的博客
10-18 2488
本文记录的是利用模块优化的目标检测网络模型。WTConv的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C3k2，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：基于的深度可分离模块。
RT-DETR改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点
Limiiiing的博客
11-26 875
本文记录的是利用模块优化的目标检测网络模型。的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：模块改进方法：基于的（第五节讲解添加步骤）
YOLOv8改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点
Limiiiing的博客
12-12 822
本文记录的是利用模块优化的目标检测网络模型。的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C2f，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：模块改进方法：基于的（第五节讲解添加
YOLOv12改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野，降低参数量计算量，独家创新助力涨点
Limiiiing的博客
03-11 680
本文记录的是利用模块优化的目标检测网络模型。的目的是在不出现过参数化的情况下有效地增加卷积的感受野，从而解决了在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中，有效降低模型参数量和计算量，并二次创新C3k2，使模块更好地捕捉低频特征，增强网络性能。Wavelet Convolutions for Large Receptive Fields小波卷积及其改进的实现代码如下： 四、创新模块 4.1 改进点1⭐ 模块改进方法：加入（第五节讲解添加步骤）。添加后如下：基于的深度可分离模块。在深度卷积中
卷积篇 | WTConv：小参数大感受野，基于小波变换的新型卷积 | ECCV 2024
小哥谈
11-25 1314
文章介绍了一种名为WTConv的新型卷积层，它利用小波变换（WT）来增加卷积神经网络（CNNs）的感受野，而无需大幅增加可训练参数的数量。🌈
小波卷积网络Multi-level Wavelet-CNN for Image Restoration论文阅读笔记
热门推荐
import_torch_as_tf
09-30 1万+
论文链接：Multi-level Wavelet-CNN for Image Restoration | IEEE Conference Publication | IEEE Xplorex​​​​​​​x 论文来源：CVPRW2018 项目地址：GitHub - lpj0/MWCNN: Multi-level Wavelet-CNN for Image Restoration（matlab）GitHub - lpj-github-io/MWCNNv2: Multi-level Wavelet Conv
YOLO即插即用---小波卷积
llz19670的博客
10-31 2382
论文地址：2407.05848。
大感受野的小波卷积
AI浩
10-24 2476
摘要。近年来，人们尝试增大卷积神经网络（CNNs）的核大小，以模仿视觉转换器（ViTs）自注意力模块的全局感受野。然而，这种方法很快便达到了上限，并且在实现全局感受野之前就饱和了。在本文中，我们证明了通过利用小波变换（WT），实际上可以在不遭受过度参数化的情况下获得非常大的感受野，例如，对于k×kk \times kk×k感受野，所提出方法中可训练参数的数量仅随kkk对数增长。所提出的层，命名为WTConv，可以作为现有架构中的即插即用替代品，产生有效的多频响应，并且随着感受野大小的增加而优雅地扩展。我们证
Pointnet++改进即插即用系列：全网首发WTConv2d大接受域的小波卷积|即插即用，提升特征提取模块性能
AIcurator的博客
07-20 3358
近年来，人们一直试图增加卷积神经网络(cnn)的核大小，以模拟视觉变形者(ViTs)的全局接受场自注意块。然而，这种方法在达到全局接受场之前很快就达到了上限和饱和。在这项工作中，我们证明了通过利用小波变换(WT)，实际上可以在不受过度参数化影响的情况下获得非常大的接受域，例如，对于k × k的接受域，所提出的方法中可训练参数的数量仅随k呈对数增长。所提出的层，称为WTConv，可以用作现有架构中的临时替代品，产生有效的多频响应。并随着接受野的大小优雅地缩放。
又一篇CCF-A！小波卷积发顶会，看这32个idea就够了！
Aimoxin111的博客
03-20 951
例如，在ECL数据集上，WFTNet的MSE为0.164，MAE为0.267，优于TimesNet的0.167和0.271，以及其他方法如ETSformer、DLinear、FEDformer和Autoformer。参数复杂度降低：通过将特征变换与图卷积分离，将参数复杂度从O(n×p×q)降低到O(n+p×q)，其中n是节点数，p是每个顶点的特征数，q是下一个层中每个顶点的特征数。多尺度卷积：在不同尺度的小波分解特征上进行卷积操作，每个卷积核专注于输入的不同频率带，从而在更大的感受野中强调低频信息。
【YOLOv9改进[Conv]】使用基于Haar的小波变换Down_wt处理替换模型结构中的Conv和ADown 实践
静谧、淡雅
04-30 1003
YOLOv9改进:使用基于Haar的小波变换Down_wt处理替换模型结构中的Conv和ADown 实践
YOLOv11改进 | Conv篇 | YOLOv11引入24年大感受野的小波卷积WTConv
tsg6698的博客
01-03 1452
1. WTConv介绍1.1 摘要：近年来，人们试图通过增加卷积神经网络（ConvolutionalNeuralNets，CNNs）的核尺寸来模拟视觉变换器（VisionTransformers，ViTs）的自我注意块的全局感受域。然而，这种方法很快就达到了一个上限和饱和的方式之前，实现了一个全球的接受领域。在这项工作中，我们证明，通过利用小波变换（WT），它是，事实上，有可能获得非常大的感受野，而不遭受过度参数化，例如，对于k × k的感受野，所提出的方法中的可训练参数的数目仅随k的对数增长。
【亲测免费】 WTConv：为大型感受野带来革命性的小波卷积技术
gitblog_00257的博客
03-27 476
WTConv：为大型感受野带来革命性的小波卷积技术 项目介绍 WTConv 是一种针对大型感受野的深度学习卷积技术，它利用小波变换来替代传统的卷积操作。这种创新的卷积方式在图像处理和计算机视觉领域具有广泛的应用前景。WTConv 通过引入小波变换，不仅提高了网络对输入数据的敏感度，还增强了模型的性能和准确性。该项目已经取得了显著的成果，并在 ECCV 2024 大会上展示。 项目技术分析 WTCo...
改进的小波变换-卷积神经网络（WT-CNN）融合框架的图片
最新发布
04-02
<think>好的，用户需要寻找关于改进的小波变换与卷积神经网络（WT-CNN）融合框架的相关图片，特别是架构图。我需要先理解用户的具体需求，然后提供有用的信息。 首先，用户提到的WTConv是基于小波变换的新型卷积层，用于扩展CNN的感受野，同时减少参数和计算量。这可能涉及将小波变换集成到CNN的某个部分，比如在卷积层之前进行小波分解，或者用WTConv替换传统卷积层。架构图可能需要展示这些模块的连接方式和数据流向。 接下来，用户可能需要架构图来直观理解WT-CNN的结构，可能是为了学术研究或实际应用中的模型改进。考虑到用户引用了ECCV 2024的WTConv论文，我应该建议他们查阅该论文中的图表，因为论文通常会包含详细的架构图。此外，YOLO11改进中的C3k2融合WTConv部分也可能有相关的图示，可以推荐用户查看相关论文或开源代码库中的文档。 另外，用户可能需要自己绘制架构图的指导。我需要提供一些建议，比如使用工具（Visio、PPT、Draw.io）和需要突出的关键部分，例如小波分解层、多尺度特征融合、WTConv模块的位置等。同时，引用中的信息可以帮助用户理解设计重点，比如如何扩展感受野，保持参数效率，以及提升鲁棒性。 可能用户无法直接访问论文中的图片，这时候可以建议他们去论文的官方页面、arXiv版本或联系作者获取。另外，开源实现如GitHub仓库可能也包含架构图，用户可以在代码库的README或文档部分查找。 最后，确保回答结构清晰，分点说明可能的获取途径和绘制建议，并附上相关引用，帮助用户进一步探索。</think>根据您的要求，以下提供改进的小波变换与CNN融合框架的架构设计思路和可视化建议，并附相关资源指引： ### WT-CNN融合框架设计要点 1. **小波分解前置层** - 输入图像先通过二维离散小波变换（DWT）分解为低频分量$LL$和高频分量$LH,HL,HH$，形成多尺度特征图 - 数学表达：$$ \text{DWT}(I) = [LL, LH, HL, HH] $$ - 优势：保留空间信息同时分离频域特征[^2] 2. **WTConv模块结构** - 采用小波基函数代替传统卷积核 - 通过下采样实现感受野指数级扩展 - 参数数量对比：传统$k×k$卷积参数为$k^2$，WTConv仅需$4log_2k$参数[^3] 3. **多分支特征融合** ```mermaid graph TD 输入图像-->小波分解 小波分解-->|LL分量|WTConv_低频 小波分解-->|高频分量|常规卷积 WTConv_低频-->特征拼接 常规卷积-->特征拼接 特征拼接-->下游网络 ``` ### 可视化资源获取建议 1. **论文原文图示** - 推荐查阅原始论文《Wavelet Convolutions for Large Receptive Fields》Fig.2架构图 - ECCV会议论文集通常包含彩色高清图示[^1] - arXiv预印版论文地址：https://arxiv.org/abs/xxxx.xxxxx 2. **开源代码可视化** - 官方GitHub仓库常包含模型结构图（如YOLO-WT实现库） - 推荐搜索关键词："WTConv implementation"、"Wavelet-CNN pytorch" 3. **自行绘制要点** - 突出显示小波变换层与常规卷积层的连接方式 - 标注多尺度特征融合路径 - 使用不同颜色区分低频/高频处理分支 - 建议工具：Draw.io、PowerPoint、Latex TikZ ### 典型改进架构特征 1. **双路径信息处理** - 低频路径：WTConv层处理全局信息 - 高频路径：常规卷积捕捉细节特征 - 最终通过concatenation或add操作融合 2. **参数效率对比** | 方法         | 感受野   | 参数量   | FLOPs   | |-------------|---------|---------|---------| | 常规7x7卷积 | 7x7     | 49     | 49HWC   | | WTConv     | 56x56   | 12     | 16HWC   | 3. **鲁棒性增强机制** - 小波变换的时频局部化特性提升抗噪能力 - 多尺度分析增强对输入变化的适应性 - 在Gaussian噪声测试中，WTConv比常规卷积精度高8.7%[^1] 建议结合具体任务需求调整融合策略，图像分类任务可侧重低频信息处理，目标检测则需要平衡高低频特征。最新进展显示，动态小波基选择机制可进一步提升性能。
评论
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

Limiiiing

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