YOLOv8改进 | Conv篇 | YOLOv8引入DWR
1. DWR介绍
1.1 摘要：当前的许多工作直接采用多速率深度扩张卷积从一个输入特征图中同时捕获多尺度上下文信息，从而提高实时语义分割的特征提取效率。 然而，这种设计可能会因为结构和超参数的不合理而导致多尺度上下文信息的访问困难。 为了降低多尺度上下文信息的绘制难度，我们提出了一种高效的多尺度特征提取方法，将原始的单步方法分解为区域残差-语义残差两个步骤。 在该方法中，多速率深度扩张卷积在特征提取中发挥更简单的作用：基于第一步提供的每个简明区域形式特征图，在第二步中使用一个期望的感受野执行简单的基于语义的形态过滤 ，以提高他们的效率。 此外，详细阐述了每个网络阶段的扩张率和扩张卷积的容量，以充分利用可以实现的所有区域形式的特征图。 因此，我们分别为高层和低层网络设计了一种新颖的扩张式残差（DWR）模块和简单倒置残差（SIR）模块，并形成了强大的DWR分段（DWRSeg）网络。 在 Cityscapes 和 CamVid 数据集上进行的大量实验证明了我们的方法的有效性，除了重量更轻之外，还实现了准确性和推理速度之间最先进的权衡。 在没有预训练或采用任何训练技巧的情况下，我们在 Cityscapes 测试