即插即用篇 | YOLOv8 引入空间通道重组卷积 | 《CVPR 2023 Spatial and Channel Reconstruction Convolution》

这篇论文和 2020 年 CVPR的 SCNet 并不是同一篇论文

论文地址：CVPR_2023_paper.pdf
代码地址：https://github.com/cheng-haha/ScConv

卷积神经网络（CNNs）在各种计算机视觉任务中取得了显著的性能，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。最近的研究要么压缩已训练好的大规模模型，要么探索设计精良的轻量级模型。在本文中，我们试图利用特征中的空间和通道冗余来进行CNN压缩，并提出了一种高效的卷积模块，称为SCConv（空间和通道重构卷积），以减少冗余计算并促进代表性特征学习。所提出的SCConv包含两个单元：空间重构单元（SRU）和通道重构单元（CRU）。SRU采用分离与重构的方法抑制空间冗余，而CRU则采用分割-转换-融合策略减少通道冗余。此外，SCConv是一个即插即用的架构单元，可以直接替换各种卷积神经网络中的标准卷积。实验结果显示，嵌入了SCConv的模型通过减少冗余特征、降低复杂性和计算成本，能够实现更好的性能表现。。

---