YOLOv11改进 - 卷积Conv | GCNet之金箍棒块GCBlock( CVPR 2025)： 重参数化捕获全局依赖

前言

本文介绍了GCBlock在YOLOv11中的结合应用。GCBlock是GCNet的核心组件，能高效捕获特征图中的全局依赖关系，融合了非局部网络和挤压 - 激励网络的优势，降低计算成本并保障模型性能。其遵循“上下文建模 - 特征变换 - 特征融合”框架，通过全局平均池化、全连接层等操作生成注意力权重。我们将GCBlock集成进YOLOv11，替代原有的部分卷积模块，实现更高效的全局上下文建模。实验证明，YOLOv11-GCBlock在目标检测任务中表现出色，展现了GCBlock在深度学习中的广泛应用前景。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

近年来的实时语义分割模型，无论是单分支还是多分支结构，都在性能和速度上取得了不错的表现。然而，这些模型的速度常常受到多路径模块的限制，有些还依赖于高性能的教师模型进行训练。为了解决这些问题，我们提出了 金箍棒网络（GCNet）。

具体来说，GCNet 在训练阶段结合了 纵向多卷积 和 横向多路径结构，在推理阶段则将这些结构重新参数化为一个单一的卷积操作，从而同时优化性能与速度。这样的设计使得 GCNet 能够在训练时“自我膨胀”，而在推理时“自我收缩”，相当于无需外部教师模型就具备了“教师模型”的能力。

实验结果表明，GCNet 在 Cityscapes、CamVid 和 Pascal VOC 2012 数据集上，在性能和推理速度方面都优于现有的先进模型。

项目代码已开源，地址为：https://github.com/gyyang23/GCNet

文章链接

论文地址：论文地址

代码地址：