YOLOv9改进：独家HWD-ADown模块

一、改进点介绍

HWD是一种下采样模型，应用了小波变换的方法。

 ADown是YOLOv9中的下采样模块，对不同的数据场景具有一定的可学习能力。

二、HWD-ADown模块详解

2.1 模块简介
HWD-ADown的主要思想：  使用HWD替换ADown中的Conv模块。

  应用Haar小波变换来降低特征图的空间分辨率，同时保留尽可能多的信息。

 论文地址：   https://www.sciencedirect.com/science/article/abs/pii/S0031320323005174

简介
        最大池化或跨步卷积等下采样操作在卷积神经网络（CNNs）中广泛使用，以聚合局部特征，扩大感受野，并最大限度地减少计算开销。然而，对于语义分割任务，在局部邻域上汇集特征可能会导致重要空间信息的丢失，这有利于像素预测。为了解决这个问题，我们引入了一种简单而有效的池化操作，称为基于Haar小波的下采样（HWD）模块。该模块可以很容易地集成到细胞神经网络中，以提高语义分割模型的性能。HWD的核心思想是应用Haar小波变换来降低特征图的空间分辨率，同时保留尽可能多的信息。此外，为了研究HWD的好处，我们提出了一种新的度量，称为特征熵指数࿰