YOLOv8改进 | 主干篇，YOLOv8改进主干网络为华为的轻量化架构GhostNetV1
摘要
摘要：将卷积神经网络（CNN）部署在嵌入式设备上是困难的，因为嵌入式设备的内存和计算资源有限。特征图的冗余是成功的 CNN 的一个重要特征，但在神经网络架构设计中很少被研究。作者提出了一种新颖的 Ghost 模块，用于通过廉价操作生成更多的特征图。基于一组内在特征图，我们应用一系列成本低廉的线性变换来生成许多 ghost 特征图，这些特征图可以充分揭示内在特征的信息。提出的 Ghost 模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost bottlenecks 设计用于堆叠 Ghost 模块，从而可以轻松建立轻量级的 GhostNet。在基准测试上进行的实验表明，提出的 Ghost 模块是基线模型中卷积层的一个令人印象深刻的替代品，并且我们的 GhostNet 可以在 ImageNet 分类数据集上以类似的计算成本实现比 MobileNetV3 更高的识别性能。
理论介绍
作者提出的Ghost模块与现有的高效卷积方案有主要区别。与广泛使用1×1逐点卷积的单元相比，Ghost模块中的主要卷积可以有定制的核大小。i现有方法采用逐点卷积处理跨通道特征，然后采用深度卷积处理空间信息。相比之下，Ghost模块采用普通卷积首先生成少量内在特征图，然后利用廉价的线性操作增强特征并增加通道。 以前的高效架构中处理每个特征图的操作限于深度卷积或移位操作，而Ghost模块中的线性操作可以有很大的多样性。此外，在Ghost模块中，恒等映射与线性变换并行，以保留内在特征图。卷积层和提出的 Ghost 模块输出相同数量特征图的示意图如下所示：
Ghost 模块工作原理： Ghost 模块通过先生成较少的内在特征图，再通过一系列廉价的线性变换生成幽灵特征图（ghost feature maps）。具体来说，给定输入X，卷积层的输出通常为：
其中，∗表示卷积操作，f为卷积核，b为偏置。Ghost模块的不同在于，首先使用常规卷积生成m个内在特征图：
然后，Ghost 模块通过简单的线性变换生成幽灵特征图：
最终输出n个特征图。
理论详解可以参考链接：论文地址
代码可在这个链接找到：