摘要
本文使用动态上采样改进YoloV10,动态上采样是今天最新的上采样改进方法,具有轻量高效的特点,经过验证,在多个场景上均有大幅度的涨点,而且改进方法简单,即插即用!
论文:《DySample:Learning to Upsample by Learning to Sample》
论文:https://arxiv.org/pdf/2308.15085
我们提出了DySample,一个超轻量级且高效的动态上采样器。虽然最近的基于内核的动态上采样器,如CARAFE、FADE和SAPA,取得了令人印象深刻的性能提升,但它们引入了大量的计算量,这主要是由于耗时的动态卷积以及用于生成动态内核的附加子网络。此外,FADE和SAPA对高分辨率特征指导的需求在某种程度上限制了它们的应用场景。为了解决这些问题,我们避开了动态卷积,从点采样的角度构建上采样器,这种方法更加资源高效,并且可以轻松地使用PyTorch中的标准内置函数实现。我们首先展示了一个简单的设计