【YOLOv8改进-论文笔记】SCConv ：即插即用的空间和通道重建卷积_scconv论文

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

卷积神经网络（CNNs）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了冗余特征。近期的研究要么压缩训练有素的大规模模型，要么探索设计精良的轻量级模型。在本文中，我们尝试利用特征之间的空间和通道冗余性来进行CNN压缩，并提出了一种高效的卷积模块，称为SCConv（空间和通道重构卷积），以减少冗余计算并促进代表性特征学习。所提出的SCConv由两个单元组成：空间重构单元（SRU）和通道重构单元（CRU）。SRU使用分离-重构方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。此外，SCConv是一个即插即用的架构单元，可以直接用于替换各种卷积神经网络中的标准卷积。实验结果表明，嵌入SCConv的模型能够通过减少冗余特征，在显著降低复杂性和计算成本的同时，达到更好的性能。

创新点

1. 空间重构单元（SRU）

2. 通道重构单元（CRU）

如下图，SCConv 由两个单元组成，即空间重构单元 (SRU) 和信道重构单元 (CRU) ，两个单元按顺序排列。输入的特征 X 先经过 空间重构单元 ，得到空间细化的特征Xw 。再经过 通道重构单元 ，得到通道提炼的特征 Y 作为输出。SCConv 模块利用了特征之间的空间冗余和信道冗余，模块可以无缝集成到任何 CNN 框架中，减少特征之间的冗余，提高 CNN 特征的代表性。

文章链接

论文地址：论文地址

代码地址：非官方代码地址1 非官方代码地址2

基本原理

本研究创新性地提出了一种新型卷积，其设计灵活可与任意卷积模型无缝集成，即插即用。文章分别从空间和通道两个维度提出了空间重构单元（SRU）和通道重构单元（CRU），有效减少了特征的冗余。最为关键的是，该方法在减少模型参数的同时，还显著提升了性能，实现了效率与效果的双赢。

空间重构单元（SRU）

该单元运用“分离-重构”策略。其“分离”步骤旨在根据空间内容将富含信息的特征图与信息稀疏的特征图区分开来。为此，作者借助组归一化（Group Normalization）中的缩放因子来衡量不同特征图的信息量。而“重构”步骤则通过相加信息密集与信息稀疏的特征，以生成信息更丰富的特征同时优化空间利用。具体而言，采用交叉重建法融合两个加权不同信息特征，生成空间精细化特征图Xw&#x