论文摘要：如今的深度学习方法重点关注如何设计最合适的目标函数，使得模型的预测结果能够最接近真实情况。 同时，必须设计一个适当的架构，可以帮助获取足够的信息进行预测。 现有方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，大量信息将会丢失。 本文将深入研究数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数。 我们提出了可编程梯度信息（PGI）的概念来应对深度网络实现多个目标所需的各种变化。 PGI可以为目标任务计算目标函数提供完整的输入信息，从而获得可靠的梯度信息来更新网络权值。 此外，还设计了一种新的轻量级网络架构——基于梯度路径规划的通用高效层聚合网络（GELAN）。 GELAN的架构证实了PGI在轻量级模型上取得了优异的结果。 我们在基于 MS COCO 数据集的目标检测上验证了所提出的 GELAN 和 PGI。 结果表明，与基于深度卷积开发的最先进方法相比，GELAN 仅使用传统的卷积算子即可实现更好的参数利用率。 PGI 可用于从轻型到大型的各种模型。 它可以用来获取完整的信息，使得从头开始训练的模型能够比使用大数据集预训练的state-of-the-art模型获得更好的结果

论文地址：https://arxiv.org/abs/2402.13616
代码地址：https://github.com/WongKinYiu/yolov9?tab=readme-ov-file