一、本文介绍
本文记录的是利用CGHalfConv 模块改进 YOLO26 的卷积层特征提取部分。
CGHalfConv(Channel Grouping Half Convolution)通过半通道卷积计算与半通道特征保留机制结合,实现YOLO26特征提取的轻量化计算与原始特征的高效保留。本文利用CGHalfConv模块,通过半通道卷积对目标关键特征进行针对性提取以降低计算开销,再通过半通道特征直接保留避免卷积带来的特征信息损失,同时依托通道分组适配不同尺度目标的特征提取需求,对YOLO26中不同尺度目标的浅层视觉特征与深层细节特征进行双重保留、抑制无效背景特征的冗余计算干扰,在特征提取阶段实现轻量化计算与高保真特征表达的高效平衡,避免传统卷积的高计算量与深度可分离卷积的特征丢失问题,增强模型在资源受限端设备上对复杂场景下多尺度目标的检测速度与精度。
专栏目录:YOLO26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、CGHalfConv介绍
2.1 设计出发点
CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。
2.2 模块结构
CGHalfConv是半卷积的定制化实现,为通道分组视觉Transformer(CGViT)的核心卷积模块,整体为单通道分组下的半通道卷积+半通道保留的轻量化结构:
- 输入特征图按通道分组后,对每组特征图的前半部分通道执行标准卷积操作,完成空间特征提取;
- 对每组特征图的后半部分通道不做卷积处理,直接保留原始特征信息;
- 将卷积处理后的半通道特征与原始保留的半通道特征进行拼接,输出与输入通道数一致的特征图,无额外通道维度变化。
订阅专栏 解锁全文
225



被折叠的 条评论
为什么被折叠?



