RT-DTER最新创新改进系列融合YOLOv9下采样机制ADown强强联合扩大YOLOv13网络模型感受野降低过拟合让小目标无处可遁检测精度再提新高购买相关资料后畅享一对一答疑畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具一、下采样详解1.1 下采样的目的为了使得图像符合显示区域的大小生成对应图像的缩略图。在信号处理的不同模块中下采样可以带来许多好处例如提高信噪比减少计算量防止过拟合增大感受野使得后面的卷积核能够学到更加全局的信息。1.2上采样与下采样的区别1.2.1上采样的方式它有反卷积(Deconvolution也称转置卷积)、上池化(UnPooling)方法、双线性插值各种插值算法。在卷积神经网络中由于输入图像通过卷积神经网络(CNN)提取特征后输出的尺寸往往会变小而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(如图像的语义分割)这个使图像由小分辨率映射到大分辨率的操作叫做上采样它的实现一般有三种方式1.插值一般使用的是双线性插值因为效果最好虽然计算上比其他插值方式复杂但是相对于卷积计算可以说不值一提其他插值方式还有最近邻插值、三线性插值等2.转置卷积又或是说反卷积(Transpose Conv)通过对输入featuremap间隔填充0再进行标准的卷积计算可以使得输出feature map的尺寸比输入更大3.Up-Pooling - Max Unpooling Avg Unpooling --Max Unpooling在对称的max pooling位置记录最大值的索引位置然后在unpooling阶段时将对应的值放置到原先最大值位置其余位置补01.2.2下采样的方式1、采用stride为2的池化层如Max-pooling和Average-pooling目前通常使用Max-pooling因为他计算简单而且能够更好的保留纹理特征2、采用stride为2的卷积层下采样的过程是一个信息损失的过程而池化层是不可学习的用stride为2的可学习卷积层来代替pooling可以得到更好的效果当然同时也增加了一定的计算量。二、YOLOv9概述如今的深度学习方法重点关注如何设计最合适的目标函数从而使得模型的预测结果能够最接近真实情况。同时必须设计一个适当的架构可以帮助获取足够的信息进行预测。然而现有方法忽略了一个事实即当输入数据经过逐层特征提取和空间变换时大量信息将会丢失。因此YOLOv9 深入研究了数据通过深度网络传输时数据丢失的重要问题即信息瓶颈和可逆函数。研究者提出了可编程梯度信息programmable gradient informationPGI的概念来应对深度网络实现多个目标所需要的各种变化。PGI 可以为目标任务计算目标函数提供完整的输入信息从而获得可靠的梯度信息来更新网络权值。此外研究者基于梯度路径规划设计了一种新的轻量级网络架构即通用高效层聚合网络Generalized Efficient Layer Aggregation NetworkGELAN。该架构证实了 PGI 可以在轻量级模型上取得优异的结果。研究者在基于 MS COCO 数据集的目标检测任务上验证所提出的 GELAN 和 PGI。结果表明与基于深度卷积开发的 SOTA 方法相比GELAN 仅使用传统卷积算子即可实现更好的参数利用率。对于 PGI 而言它的适用性很强可用于从轻型到大型的各种模型。我们可以用它来获取完整的信息从而使从头开始训练的模型能够比使用大型数据集预训练的 SOTA 模型获得更好的结果。三、 改进教程2.1 修改YAML文件2.2 新建D.py2.3 修改tasks.py三、验证是否成功即可执行命令python train.py改完收工关注B站AI学术叫叫兽从此走上科研快速路遥遥领先同行写在最后学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通关注UPAi学术叫叫兽在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑本up主获得过国奖发表多篇SCI擅长目标检测领域拥有多项竞赛经历拥有软件著作权核心期刊等经历。因为经历过所以更懂小白的痛苦因为经历过所以更具有指向性的指导祝所有科研工作者都能够在自己的领域上更上一层楼以下为给大家庭小伙伴们免费更新过的绘图代码均配有详细教程超小白也可一键操作! 后续更多提升文章档次的资料的更新请大家庭的小伙伴关注UPAi学术叫叫兽