YOLOv11改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
一、本文介绍
本文记录的是利用Haar小波下采样对YOLOv11网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化、平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，旨在尽可能地保留图像信息，以便后续层能够提取更具判别性的特征，从而提高分割性能。
专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、Haar小波下采样原理
-
- 2.1、原理
- 2.2、优势
- 三、HWD的实现代码
- 四、创新模块
-
- 4.1 改进点⭐
- 五、添加步骤
-
- 5.1 修改ultralytics/nn/modules/block.py
- 5.2 修改ultralytics/nn/modules/__init__.py
- 5.3 修改ultralytics/nn/modules/tasks.py
- 5.4 修改ultralytics/cfg/default.yaml
- 六、yaml模型文件
-