前言
重参数化的重新聚焦卷积(RefConv),作为常规卷积层的替代品,它是一种即插即用的模块,可以在不引入任何推理成本的情况下提高性能。具体而言,给定一个预训练模型,RefConv将可训练的重新聚焦变换应用于从预训练模型继承的基核,以在参数之间建立连接。例如,深度方向的RefConv可以将卷积核的特定通道的参数与另一个核的参数关联起来,即让它们重新聚焦到模型的其他部分,而不是仅关注输入特征。从另一个角度来看,RefConv利用预训练参数中编码的表示作为先验,重新聚焦它们以学习新的表示,从而增强了现有模型结构的先验,进一步增强了预训练模型的表示能力。实验结果表明,RefConv可以在不引入任何额外推理成本或改变原始模型结构的情况下,显着提高多种基于CNN的模型的性能,用于图像分类、目标检测和语义分割。
RefConv理论详解可以参考链接:论文地址
RefConv代码可在这个链接找到:代码地址
本文在YOLOv9中引入RefConv(重新参数化再聚焦卷积),实现了大幅度涨点,代码已经整理好了,跟着文章复制粘贴,即可直接运行
改进前的结果:
改进后的结果,从各项评价指标看出大幅度涨点