YOLOv5 mejorado, combinado con convolución de reconstrucción espacial y de canales SCCOnv: para redundancia de características, reduciendo efectivamente la cantidad de cálculo y mejorando la precisión

Interpretación del artículo

  La idea principal de esta sección es presentar un módulo de convolución eficiente llamado SCConv (Convolución de reconstrucción espacial y de canales), cuyo objetivo es reducir los cálculos redundantes en redes neuronales convolucionales (CNN) y promover el aprendizaje de características. El módulo SCConv incluye dos unidades: unidad de reconstrucción espacial (SRU) y unidad de reconstrucción de canales (CRU). SRU utiliza el método de separación y reconstrucción para suprimir la redundancia espacial, mientras que CRU utiliza la estrategia de transformación y fusión de separación para reducir la redundancia de canales. SCConv es una unidad plug-and-play que puede reemplazar las convoluciones estándar en varias CNN sin modificaciones adicionales. Los resultados experimentales muestran que el modelo de integración sccv logra un mejor rendimiento al tiempo que reduce significativamente la complejidad y el costo computacional.

Trabajo específico

  Los autores del artículo propusieron un módulo llamado SCConv (Convolución de reconstrucción espacial y de canales), cuyo objetivo es reducir los costos informáticos y el almacenamiento de modelos, y mejorar el modelo de red neuronal convolucional (CNN).