YoloV8改进策略：即插即用的SCConv，YoloV8的轻量化涨点神器

AI智韵

已于 2024-01-02 21:59:24 修改

阅读量8.4k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： (2025年最新改进)YoloV8涨点改进——高阶篇文章标签： YOLO pytorch 深度学习

于 2023-08-14 12:49:05 首次发布

不能复制，转发

本文链接：https://blog.csdn.net/m0_47867638/article/details/132248990

(2025年最新改进)YoloV8涨点改进——高阶篇专栏收录该内容

221 篇文章 ¥199.90 ¥299.90

订阅专栏

论文提出SCConv，一种用于减少卷积层中空间和通道冗余的模块，它由空间重构单元SRU和通道重构单元CRU组成。SCConv可以替代标准卷积，降低计算成本并提高性能。实验表明，SCConv在CIFAR和ImageNet图像分类以及PASCAL VOC和MS COCO物体检测任务中提升了模型性能，同时减少了参数和FLOPs。在YOLOV8中应用SCConv的两种改进方式均取得积极效果，实现轻量化网络设计。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

摘要

论文链接：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf

卷积神经网络(CNN)在各种计算机视觉任务中取得了显著的性能，但这是以巨大的计算资源为代价的，部分原因是卷积层提取冗余特征。最近的作品要么压缩大型模型，要么探索设计良好的轻量级模型。SCConv 利用特征之间的空间和通道冗余来进行CNN压缩，以减少冗余计算并促进代表性特征的学习。SCConv由空间重构单元(SRU)和信道重构单元(CRU)两个单元组成。SRU采用分离重构的方法来抑制空间冗余，CRU采用分离变换融合的策略来减少信道冗余。

SCConv是一种即插即用的架构单元，可直接用于替代各种卷积神经网络中的标准卷积。实验结果表明，scconvo嵌入模型能够通过减少冗余特征来获得更好的性能，并且显著降低了复杂度和计算成本。

使用SCConv代替YoloV8中的卷积可以实现轻量化的网络设计！本文尝试了两种改进方式，均有一定的提升！

在这里插入图片描述