YOLOv10改进 | Conv篇 | YOLOv10引入SCConv模块

1. SCConv介绍

摘要：卷积神经网络（CNN）在各种计算机视觉任务中取得了显着的性能，但这是以巨大的计算资源为代价的，部分原因是卷积层提取了冗余特征。 最近的工作要么压缩训练有素的大型模型，要么探索精心设计的轻量级模型。 在本文中，我们尝试利用特征之间的空间和通道冗余进行 CNN 压缩，并提出一种高效的卷积模块，称为 SCConv（空间和通道重建卷积），以减少冗余计算并促进代表性特征学习。 所提出的 SCConv 由两个单元组成：空间重建单元（SRU）和通道重建单元（CRU）。 SRU采用分离重建方法来抑制空间冗余，而CRU采用分割-变换-融合策略来减少通道冗余。 此外，SCConv是一个即插即用的架构单元，可以直接用来替换各种卷积神经网络中的标准卷积。 实验结果表明，SCConv嵌入模型能够通过减少冗余特征来实现更好的性能，同时显着降低复杂度和计算成本。

官方论文地址：