YOLOv5改进 | 多尺度特征提取 | 结合多样分支块及融合的高级设计（CVPR2021）

本文介绍

  YOLOv5（You Only Look Once）以其高效、准确的实时目标检测性能被广泛应用。然而，随着视觉任务的复杂性增加，单一架构在多尺度特征提取上的局限性愈加明显。为此，本文提出了一种结合Diverse Branch Block（DBB）的改进方法，以进一步提升YOLOv5的性能。
  多尺度特征提取是提升目标检测性能的重要手段，尤其在面对不同尺寸和复杂背景的目标时更为显著。通过引入金字塔结构（Feature Pyramid Network, FPN）和金字塔注意力模块（Pyramid Attention Module, PAM），可以在不同尺度上提取更加细粒度的特征，增强网络对不同尺寸目标的检测能力。

 Diverse Branch Block的结合

• Diverse Branch Block（DBB）是一种创新的卷积神经网络结构，通过在训练过程中将多个分支结构合并为一个卷积层，在推理阶段大大提高了计算效率。将DBB的核心模块整合到YOLOv5中，可以显著提升网络的性能和效率。主要的结合点包括：
• 分支卷积融合：通过DBB的方法，将多个不同配置的卷积层分支在推理时融合为一个卷积层，保持多尺度特征提取的丰富性，同时减少计算成本。
• 高效参数化：DBB利用其高效的参数化方法，在保证模型性能的同时，显著降低模型的参数量和计算复杂度。
  卷积和池化操作的统一：DBB将卷积、池化、批量归一化等操作通过线性变换统一为一个卷积操作，提高了模型的执行效率。<