一、本文介绍
本文记录的是利用小波卷积WTConv
模块优化YOLOv10
的目标检测网络模型。WTConv
的目的是在不出现过参数化的情况下有效地增加卷积的感受野,从而解决了CNN
在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中,有效降低模型参数量和计算量,并二次创新C3k2,使模块更好地捕捉低频特征,增强网络性能。
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
本文记录的是利用小波卷积WTConv
模块优化YOLOv10
的目标检测网络模型。WTConv
的目的是在不出现过参数化的情况下有效地增加卷积的感受野,从而解决了CNN
在感受野扩展中的参数膨胀问题。本文将其加入到深度可分离卷积中,有效降低模型参数量和计算量,并二次创新C3k2,使模块更好地捕捉低频特征,增强网络性能。
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