YOLOv11改进 - C3k2融合 | C3k2融合SCConv空间和通道重建卷积（Spatial and Channel Reconstruction Convolution）实现即插即用式空间与

前言

本文介绍了空间和通道重构卷积（SCConv）及其在YOLOv11中的结合应用。SCConv由空间重构单元（SRU）和通道重构单元（CRU）组成，能有效减少特征冗余。SRU采用分离 - 重构策略，抑制空间冗余；CRU运用分割 - 变换 - 融合策略，减少通道冗余。SCConv是即插即用的架构单元，可替换标准卷积。我们将C3k2_SCConv2023集成进YOLOv11，替换部分模块。实验表明，改进后的YOLOv11在降低复杂性和计算成本的同时，达到了更好的目标检测性能。

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

卷积神经网络（CNNs）在各种计算机视觉任务中取得了显著的性能，但这是以巨大的计算资源为代价的，部分原因是卷积层提取了冗余特征。近期的研究要么压缩训练有素的大规模模型，要么探索设计精良的轻量级模型。在本文中，我们尝试利用特征之间的空间和通道冗余性来进行CNN压缩，并提出了一种高效的卷积模块，称为SCConv（空间和通道重构卷积），以减少冗余计算并促进代表性特征学习。所提出的SCConv由两个单元组成：空间重构单元（SRU）和通道重构单元（CRU）。SRU使用分离-重构方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。此外，SCConv是一个即插即用的架构单元，可以直接用于替换各种卷积神经网络中的标准卷积。实验结果表明，嵌入SCConv的模型能够通过减少冗余特征，在显著降低复杂性和计算成本的同时，达到更好的性能。

创新点

1. 空间重构单元（SRU）

2. 通道重构单元（CRU）

如下图，SCConv 由两个单元组成，即空间重构单元 (SRU) 和信道重构单元 (CRU) ，两个单元按顺序排列。输入的特征 X 先经过 空间重构单元 ，得到空间细化的特征Xw 。再经过 通道重构单元 ，得到通道提炼的特征 Y 作为输出。