当前位置：首页 > article >正文

【YOLO11改进trick】Pinwheel-shaped Conv风车状卷积引入YOLO11，含创新点代码，方便发论文

article 2025/2/21 7:30:32

🍋🍋1.即插即用的 PConv风车状卷积

🍇1.1风车状卷积结构

🍇1.2PConv的参数量

🍭🍭2.PConv适用场景

🍉🍉3.风车状卷积PConv的优点

🏆3.1. 高效的感受野扩展

🏆3.2. 即插即用的模块化设计

🏆3.3. 卓越的准确性和鲁棒性

🏆3.4. 强大的泛化能力

🏆3.5. 参数效率高

🔔🔔4.如何将PConv引入YOLO11

🌷4.1直接替换普通卷积模块

🌷4.2作为C3K2模块的优化模块

🍌🍌5.创新点Python代码

💖💖6.YOLO11工程代码修改处

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

需要全套改进代码请私信留言。

🍋🍋1.即插即用的 PConv风车状卷积

🍇1.1风车状卷积结构

风车状PConv卷积模块的网络结构示意图如下：

与标准卷积不同，它使用非对称填充为图像的不同区域创建水平和垂直卷积核，卷积核向外扩散。设输入张量X(h1,w1,c1)，其中h1、w1、c1分别表示其高度、宽度和通道大小。为增强训练稳定性和速度，在每次卷积后应用批归一化（BN）和sigmoid线性单元（SiLU）。

PConv的第一层进行并行卷积，计算公式如下：

其中，⊗是卷积运算符，W1(1,3,c′)是一个1×3的卷积核，输出通道为c′。填充参数P(1,0,0,3)分别表示在左、右、上、下方向的填充像素数。

第一层交错卷积后输出特征图的高度（h′）、宽度（w′）和通道数（c′）与输入特征图的关系为：

其中c2是PConv模块最终输出特征图的通道数，s是卷积步长。

第一层交错卷积的结果进行拼接（Cat(.,.)），输出计算为：

最后，拼接后的张量通过卷积核W(2,2,c2)进行归一化，不进行填充。输出特征图的高度和宽度调整为预设值h2和w2，使PConv可与Conv层互换，并作为一种通道注意力机制分析不同卷积方向的贡献。最终输出Y(h2,w2,c2)计算如下：

PConv的感受野的有效性向外逐渐减弱，类似于高斯分布，且目标越小，其特征越集中，突出了中心特征的重要性。

🍇1.2PConv的参数量

PConv（k=3）的感受野为25，卷积次数从中心向外减少，类似高斯分布。PConv利用分组卷积，在显著增加感受野的同时最小化参数数量。标准卷积（Conv）的参数数量计算公式为：

若输出通道数（c2）等于输入通道数（c1），3×3的Conv参数为9c12。PConv的参数计算如下：

与 ${9_{c1}}^{2}$ 的3×3 Conv相比，PConv参数减少了22.2%，感受野增加了177%。在用于提取IRST底层特征时，PConv替换YOLO系列等网络的前两个Conv层，此时c2=4c1，Conv需要 ${36_{c1}}^{2}$ 参数，而PConv需要 ${72_{c1}}^{2}$ 。因此，PConv（k=3）相比3×3 Conv，感受野增