YOLOv9改进，YOLOv9引入RefConv(重新参数化再聚焦卷积)，实现大幅度涨点

---

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