在yolov8中利用RepGhost bottleneck替换bottleneck模块，实现有效涨点
1.论文简介
摘要：特征重用一直是轻量级卷积神经网络设计的关键技术。当前的方法通常利用级联运算符来通过重用来自其他层的特征图来廉价地保持大的信道数量（从而保持大的网络容量）。尽管级联是无参数和FLOP的，但它在硬件设备上的计算成本是不可忽略的。为了解决这一问题，本文通过结构重新参数化技术为实现特征重用提供了一个新的视角。
提出了一种新的硬件高效的RepGhost模块，通过重新参数化来实现隐式特征重用，而不是使用级联运算符。基于RepGhost模块，我们开发了高效的RepGhost瓶颈和RepGhostNet。在ImageNet和COCO基准测试上的实验表明，在移动设备上，所提出的RepGhostNet比GhostNet和MobileNetV3更有效。特别是，我们的RepGhostNet在ImageNet数据集上的准确度超过GhostNet 0.5×2.5%，在基于ARM的手机上具有更少的参数和相当的延迟。
RepGhost bottleneck结构如下：
