改进YOLO系列：YOLOv5结合转置卷积，实现小目标涨点

一休哥※

已于 2023-04-06 22:45:45 修改

阅读量1.7k

点赞数

分类专栏： YOLOv8、YOLO5系列改进专栏文章标签：深度学习 cnn 计算机视觉

于 2023-04-06 20:33:27 首次发布

本文链接：https://blog.csdn.net/qq_44224801/article/details/129998174

版权

YOLOv8、YOLO5系列改进专栏专栏收录该内容

44 篇文章 ¥119.90 ¥299.90

订阅专栏

超级会员免费看

本文介绍了如何在YOLOv5中应用转置卷积来改进小目标检测。通过2D反卷积操作，增加深度可分离的转置卷积，实现了性能和速度的优化。实验表明，使用特定大小的卷积核和深度可分离技术能取得理想的平衡。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、概述

该函数是用来进行转置卷积的，它主要做了这几件事：首先，对输入的feature map进行padding操作，得到新的feature map；然后，随机初始化一定尺寸的卷积核；最后，用随机初始化的一定尺寸的卷积核在新的feature map上进行卷积操作。
补充一下，卷积核确实是随机初始的，但是后续可以对卷积核进行单独的修改，比如使用双线性卷积核，这样的话卷积核的参数是固定的，不可以进行学习修改。
下面对上面的过程进行演示。

2D 反卷积；

该模块可以被视为 Conv2d 相对于其输入的梯度，也被称为分数跨步卷积或反卷积（尽管不是真正意义的反卷积，因为不计算卷积的真逆）。更多见 here 论文Deconvolutional Networks

参数

in_channels ([int]) – 输入通道数
out_channels ([int]) – 输出通道数
kernel_size ([int] or [tuple]) – 卷积核大小
stride ([int] or [tuple], optional ) – 步长，默认为1
padding ([int] or [tuple],