一、本文介绍
本文记录的是利用 DEConv 模块优化 YOLOv10 的目标检测网络模型。
DEConv(Detail-Enhanced Convolution,细节增强卷积)的设计旨在,解决 YOLOv10 目标检测网络中传统普通卷积缺乏目标细节相关先验、对小目标边缘、目标与背景边界等关键细节捕捉能力不足的问题,同时避免引入额外参数量与计算开销,以适配 YOLOv10 对实时推理性能与检测精度的双重需求。
专栏目录:YOLOv10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
文章目录
二、DEConv介绍
DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention
2.1 设计出发点
DEConv的设计旨在解决单图像去雾任务中传统卷积的局限与高效需求的矛盾:
- 一方面,传统普通卷积(Vanilla Convolution)未融入去雾领域先验(如边缘、梯度等高频细节信息),仅在无约束的解空间搜索特征,导致表达能力有限,易丢失去雾所需的细节信息;
- 另一方面,部分强表达模型(如Transformer-based方法)虽能提升性能,却伴随高计算成本、大参数量及高GPU内存占用,难以适配资源受限场景。
因此,DEConv需兼顾“融入先验增强细节捕捉”与“控制开销保证效率”,以满足去雾任务对 haze 去除彻底性与细节保留完整性的核心需求。
2.2 核心结构
DEConv采用“训练期并行提取特征+推理期重参数化简化”的两阶段结构:
- 训练期:5路并行卷积:包含1路普通卷积(VC)与4路差分卷积(DC),其中普通卷积提取强度级基础特征,4路差分卷积(CDC中央差分、ADC角度差分、HDC水平差分、VDC垂直差分)分别捕捉不同维度的梯度级高频细节,5路特征通过元素相加融合,确保特征丰富度;
订阅专栏 解锁全文
2597



被折叠的 条评论
为什么被折叠?



