YoloV8改进策略：卷积篇|基于PConv的二次创新|附结构图|性能和精度得到大幅度提高（独家原创）

摘要

在PConv的基础上做了二次创新，创新后的模型不仅在精度和速度上有了质的提升，还可以支持Stride为2的降采样。
改进方法简单高效，需要发论文的同学不要错过！

论文指导

PConv在论文中的描述

论文：
下面我们展示了可以通过利用特征图的冗余来进一步优化成本。如图3所示，不同通道之间的特征图具有高度的相似性。这种冗余也在许多其他工作中被涵盖[17,82]，但很少有人以简单而有效的方式充分利用它。

具体来说，我们提出了一种简单的PConv来同时减少计算冗余和内存访问。图4的左下角说明了我们的PConv是如何工作的。它只是简单地对部分输入通道应用常规变换以进行空间特征提取，并保持其余通道不变。对于连续或常规的内存访问，我们认为第一个或最后一个连续cp通道是整个特征映射的代表，用于计算。在不损失通用性的情况下，我们认为输入和输出特征图具有相同的通道数。因此，PConv的FLOPs只是

h ×