YOLOv8改进，YOLOv8引入DySample超轻量级且有效的动态上采样器(ICCV2023)+SCAM空间上下文感知模块，提高模型在遥感小目标和低分辨率检测能力

---

---

理论介绍

DySample 通过动态采样来实现有效的特征上采样。与传统的基于卷积的动态上采样不同，DySample 回归到上采样的本质，即点采样，来提高资源效率和易实现性。DySample 核心思想：

• 点采样观点：DySample 将上采样视为点采样过程，使用内容感知的采样点从连续的特征图中重新采样，比动态卷积更为轻量。
• 高效实现：DySample 避免了复杂的自定义 CUDA 实现，减少了参数、浮点运算（FLOPs）、显存占用和延迟，在语义分割、目标检测、实例分割、全景分割和单目深度估计等密集预测任务中表现出色。

DySample 基于采样的动态上采样和模块设计如下图（摘自论文）：

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

---

# 理论介绍

SCAM 通过全局上下文信息的建模来增强特征表示，从而改善小目标检测的性能，在跨越空间和通道构建全局上下文关系，以增强小目标和背景之间的区分。具体实现方法包括以下几点：

• 全局平均池化 (GAP) 和全局最大池化 (GMP)：SCAM 使用 GAP 和 GMP 来整合全局信息。这些池化操作能够引导像素学习空间和通道之间的关系。
• 线性变换：通过 1x1 卷积生成特征图的线性变换结果，称为 value。
• 简化的乘法操作：使用 1x1 卷积简化查询和键的乘法操作，称为 QK。
• 矩阵乘法：第一支路和第三支路分别与第二支路进行矩阵乘法操作，生成跨通道和空间的上下文信息。
• 广播哈达玛积：最终通过广播哈达玛积（逐元素乘法）来融合这两个分支的结果，得到 SCAM 的输出。
  SCAM结构如下所示（摘自论文）：
  

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址</