RT-DTER最新创新改进系列：双卷积核（DualConv）结合了 3×3 和 1×1 卷积核来同时处理相同的输入特征图通道，旨在构建轻量级深度神经网络,目标检测有效涨点神器！！

RT-DTER最新创新改进系列双卷积核DualConv结合了 3×3 和 1×1 卷积核来同时处理相同的输入特征图通道旨在构建轻量级深度神经网络,目标检测有效涨点神器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DualConv: Dual Convolutional Kernels forLightweight Deep Neural Networks提出原文戳这为什么要在RT-DTER中引入DualConv根本驱动力是在几乎不损失精度的前提下显著提升模型的推理速度并降低参数数量使其更好地满足“实时”RT的要求。强化“实时”特性问题RT-DTER虽然名为“Real-Time”实时但在移动端或算力受限的边缘设备上其速度可能仍然面临挑战。标准的卷积操作在计算量和参数量上依然是瓶颈。动机DualConv作为一种高效的卷积替代方案其核心思想是通过分解标准卷积来减少计算负担。将其嵌入RT-DTER的骨干网络中可以直接“瘦身”模型加速推理让“实时”更加名副其实。缓解深度卷积的表示瓶颈问题许多轻量化网络如MobileNet大量使用深度可分离卷积。虽然它非常高效但它在深度卷积阶段Depthwise Conv对每个通道独立卷积缺少通道间的信息融合可能导致特征表示能力下降从而影响识别精度。动机DualConv的设计通常包含并行路径例如一条路径使用深度卷积保证效率另一条路径使用点卷积进行通道融合。这种结构在保持轻量化的同时比单纯的深度可分离卷积具有更强的特征表示能力有助于平衡效率与精度。优化特征提取流程问题标准的卷积层以一种固定的方式聚合空间和通道信息。对于复杂的场景文本其字体、大小、背景多变固定的卷积核可能不是最优的。动机DualConv的并行结构可以看作是一种多尺度和多感受野的特征提取。一条路径可能捕捉更局部的细节如字符笔画另一条路径可能捕捉更全局的上下文如词语形状。这种丰富的特征信息对于区分相似字符如‘l’和‘I’和应对模糊、低质量文本非常有帮助。一、原文摘要了解即可CNN 架构通常对内存和计算要求很高这使得它们对于硬件资源有限的嵌入式系统不可行。 我们提出双卷积核DualConv来构建轻量级深度神经网络。 DualConv 结合了 3×3 和 1×1 卷积核来同时处理相同的输入特征图通道并利用组卷积技术来有效地排列卷积滤波器。 DualConv 可用于任何 CNN 模型例如用于图像分类的 VGG-16 和 ResNet-50、用于对象检测的 YOLO 和 R-CNN 或用于语义分割的 FCN。 在本文中我们广泛测试了 DualConv 的分类功能因为这些网络架构构成了许多其他任务的骨干。 我们还在 YOLO-V3 上测试了 DualConv 的图像检测功能。 实验结果表明结合我们的结构创新DualConv 显着降低了深度神经网络的计算成本和参数数量同时在某些情况下令人惊讶地实现了比原始模型略高的精度。 我们使用 DualConv 将轻量级 MobileNetV2 的参数数量进一步减少了 54%而在 CIFAR-100 数据集上的准确率仅下降了 0.68%。 当参数数量不是问题时DualConv 在相同数据集上将 MobileNetV1 的准确率提高了 4.11%。 此外DualConv 显着提高了 YOLO-V3 目标检测速度并将其在 PASCAL VOC 数据集上的准确率提高了 4.4%。(a) 标准卷积、(b) 深度可分离卷积、© 组卷积、(d) 异构卷积和 (e) 所提出的双卷积的卷积滤波器设计。 M是输入通道数即输入特征图的深度N是卷积滤波器的数量也是输出通道的数量即输出特征图的深度Di是宽度和高度维度 输入特征图的K×K是卷积核大小G是组卷积和对偶卷积中的组数1/P是异构卷积中3×3卷积核的比例。 请注意异构滤波器以移位的方式排列[18]。我们提出了 DualConv它将 3×3 组卷积与 1×1 逐点卷积相结合解决了跨通道通信和原始输入特征图中信息保存的问题。 与 HetConv 相比DualConv 通过添加最少的参数来提高网络性能。 DualConv应用于常见的网络结构来执行图像分类和目标检测。 通过比较标准卷积和 DualConv 的实验结果证明了所提出的 DualConv 的有效性和效率。 从实验结果可以看出DualConv 可以集成在标准网络架构和轻量级网络架构中以提高网络精度并减少网络参数、计算成本和推理时间。 我们还证明了 DualConv 可以很好地适应各种图像数据集并具有很强的泛化能力。 未来的研究工作将集中在嵌入式设备上的部署以进一步证明 DualConv 在实际应用中的效率。跑出结果后-相关方法详情请结合B站视频阅读全文融入自己文章中二、 修改步骤2.1 修改YAML文件2.2 新建.py2.3 修改tasks.py三、验证是否成功即可执行命令python train.py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