【YOLOv8改进】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

下采样操作，如最大池化或步幅卷积，被广泛应用于卷积神经网络（CNN）中，用于聚合局部特征、扩大感受野和最小化计算开销。然而，对于语义分割任务，在局部邻域内进行池化特征可能会导致重要空间信息的丧失，而这些信息对于逐像素的预测是有帮助的。为了解决这个问题，我们引入了一种简单但有效的池化操作，称为基于Haar小波的下采样（HWD）模块。该模块可以轻松集成到CNN中，以提高语义分割模型的性能。HWD的核心思想是应用Haar小波变换来降低特征图的空间分辨率，同时尽可能保留信息。此外，为了研究HWD的优点，我们提出了一种新颖的度量标准，称为特征熵指数（FEI），用于衡量CNN下采样后的信息不确定程度。具体而言，FEI可以用来指示下采样方法在语义分割中保留关键信息的能力。我们的综合实验表明，提出的HWD模块可以（1）在不同模态图像数据集和各种CNN架构上有效提高分割性能，且（2）相比传统下采样方法，能有效减少信息不确定性。我们的实现可在https://github.com/apple1986/HWD获取。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Haar小波

Haar小波是一种最简单的正交小波，其基本函数由两个函数构成：尺度函数 ϕ和小波函数 ψ。具体定义如下：

1. 尺度函数ϕ0(x):
   ϕ 0 ( x ) = {