YOLOv11改进 | Conv篇 | 2024利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）

最新推荐文章于 2025-05-22 23:00:34 发布
最新推荐文章于 2025-05-22 23:00:34 发布
阅读量2.3k 收藏 33
点赞数 29
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 人工智能 计算机视觉 深度学习 目标检测 python YOLOv11
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/java1314777/article/details/142891962
版权

 一、本文介绍

本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv11上其明显降低参数和GFLOPs在V11n上使用该机制后参数量为220W计算量GFLOPs为5.5（轻量化效果十分明显）.

欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

  欢迎大家订阅我的专栏一起学习YOLO！  

 专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

 一、本文介绍

二、原理介绍

三、核心代码 

四、手把手教你添加HWD机制

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、HWD的yaml文件和运行记录

5.1 HWD的yaml文件1

5.2 训练代码

了解本专栏 订阅专栏 解锁全文
YOLOv10改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
07-11 800
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv10上其明显降低参数和GFLOPs在V10n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 4493
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！目录一、本文介绍二、原理介绍。
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割到目标检测，跨领域移植，助力创新点构建！
B站 Ai学术叫叫兽的文案地
09-10 1451
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割目标检测，跨领域移植，助力创新点构建！
YOLOV11使用方法
最新发布
HeeRiver的博客
05-22 1017
本文介绍了如何下载和配置Ultralytics YOLO11模型，并提供了详细的步骤指南。
YOLOv11人脸检测系统
03-26 1155
特别是在人脸检测领域，随着深度学习和卷积神经网络（CNN）的广泛应用，传统的基于特征提取的检测方法逐渐被深度学习方法所取代，这些方法不仅具有更高的准确性，而且在实时性和鲁棒性上也表现出色。本系统的设计旨在为研究人员和开发者提供一个便捷、实用的工具，同时也为基于深度学习的应用开发提供了良好的参考。YOLOv11，作为该系列的最新版本，在保持高效性的同时，进一步提升了模型的检测精度和对不同场景的适应能力，尤其在。有助于减少重复检测。：目标边界框的宽度和高度（相对于图像的宽度和高度，值在 0 到 1 之间）。
Haar小波下采样模块
热门推荐
m0_62919535的博客
01-22 1万+
深度卷积神经网络 （DCNN） 通常采用标准的下采样操作，例如最大池化、平均池化和跨步卷积，这可能会导致信息丢失。丢失的信息，如边界和纹理，对于语义分割可能是必不可少的。通过跳过连接到解码器子网（如U-Net、LCU-Net、CENet、LinkNet和RefineNet ）。提取具有空间金字塔池化或扩展卷积的多尺度特征图到融合模块中（如DeepLab、PSPNet、PCPLP-Net、BiSenet和ICNet）。下面是我做实验的代码，感兴趣的可以在自己的数据上面进行实验，我觉得用于交通和医学上应该会有比
小波下采样，即插即用
Angelina_Jolie的博客
10-31 1068
这篇论文利用频域的小波变化来进行降采样，图像经过小波变化会得到1个低频特征A,和3个高频特征H、V、D。常规的下采样操作普遍面临的信息损失问题，应用Haar小波变换来降低特征图的空间分辨率，可以更完整的保留图像的信息。代码非常简单，只有几行，我们非常简单的将其应用到我们的模型中，用于替换常规的下采样模块，像是卷积下采样、最大池化下采样、平均池化下采样等。
Matlab中daubechies 97小波做图像上下采样
10-26
Matlab中daubechies 97小波做图像上下采样，效果很不错
YOLOv5改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-19 1409
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V5n上使用该机制后参数量为147W计算量GFLOPs为3.7欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv9改进策略 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-22 1842
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V9上使用该机制后参数量为147W计算量GFLOPs为3.7欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv9独家改进|使用HWD(小波下采样)模块改进ADown
深度学习炼丹师，偶尔分享炼丹技术!
03-04 5941
HWD是一种下采样模型，应用了小波变换的方法。ADown是YOLOv9中的下采样模块，对不同的数据场景具有一定的可学习能力。HWD-ADown的主要思想： 使用HWD替换ADown中的Conv模块。
即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
weixin_39818775的博客
07-10 995
在目标检测和语义分割任务中，特征下采样是至关重要的一步，它可以降低模型的计算复杂度，同时保留重要的特征信息。传统的 YOLOv5 和 YOLOv7 模型使用池化层来进行特征下采样，但池化层会丢失一些重要的空间信息。为了解决这个问题，本文提出了一种新的方案，即使用 Haar 小波下采样来替换 YOLOv5 和 YOLOv7 中的池化层。Haar 小波是一种简单而有效的下采样方法，它可以保留更多的空间信息，同时降低计算复杂度。
即插即用篇 | YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-05 2933
YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
qq_64693987的博客
10-16 4702
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
YOLOv9改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
Limiiiing的博客
09-19 997
本文记录的是利用Haar小波下采样对YOLOv9网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
【YOLO11改进 - 采样】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
11-01 198
【YOLO11改进 - 采样】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
YOLOv8改进 | Conv篇 | 2024最新ECCV最新大感受野的小波卷积WTConv创新C2f（附代码 + 修改教程）
Snu77的博客
10-12 4311
官方论文地址点击此处即可跳转官方代码地址点击此处即可跳转这篇名为《用于大感受野的小波卷积》的文章提出了一种新的卷积层，称为WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，而传统的CNN主要只能处理局部特征。以下是文章的主要内容总结：1. 问题背景：传统的CNN受限于卷积核的大小，难以有效捕捉全局上下文信息。
7-2 小波分析之信号离散采样与重构
qq_37026070的博客
05-14 587
7-2 Shearlet 简介 1. 连续Shearlet变换 \qquad
DWT and UDWT的下采样和上采样
never_csdn的博客
01-04 1636
DWT ：对滤波后的信号下采样，可以保证滤波后信号的频谱得到扩展； UDWT：对滤波器上采样，可以使得滤波器的频谱被压缩。 在UDWT中： 信号在滤波后，低频信号频谱在[0,pi/2]之间，高频信号频谱在[pi/2,pi]之间；两个滤波器在上采样之后，低通滤波器频谱在[0,pi/4]之间，高通滤波器频谱在[pi/4,pi/2]之间。接下来若对高频信号处理，要对两个滤波器进行频移。
yolov8下采样模块
01-27
### YOLOv8 下采样模块实现与作用 #### 功能概述 YOLOv8 中的下采样模块旨在通过特定的方式减少输入图像的空间维度，从而加速处理过程并保持重要特征。这种技术不仅提高了效率还增强了模型的表现力。 #### Haar小波下采样的引入及其优势 为了克服传统最大池化或步幅卷积可能带来的空间信息损失问题，在YOLOv8中采用了基于Haar小波变换的新型下采样方案——HWD（Haar Wavelet Downsampling）。这种方法能够在降低特征图分辨率的同时最大限度地保存原始数据中的有用细节[^4]。 #### HWD的工作原理 - **核心思想**: 应用离散Haar小波变换来压缩特征映射尺寸； - **特点**: - 更好地保护边缘和其他显著结构特性； - 减少因过度简化而导致的信息丢失风险； - 提升下游任务如物体检测、实例分割等的效果。 ```python import torch.nn as nn class HWDDownsample(nn.Module): """Haar wavelet downsampling layer.""" def __init__(self, channels_in, scale_factor=2): super(HWDDownsample, self).__init__() # Initialize filters according to haar matrix pattern. h = [[1/np.sqrt(2), 1/np.sqrt(2)], [-1/np.sqrt(2), 1/np.sqrt(2)]] w = np.array(h).reshape((2, 2)) weight = torch.from_numpy(w[np.newaxis, np.newaxis]).float() self.register_buffer('weight', weight.repeat(channels_in, 1, 1, 1)) self.scale_factor = scale_factor def forward(self, x): b, c, h, w = x.size() # Apply convolution with fixed weights corresponding to the haar transform. out = F.conv2d(x, self.weight, stride=self.scale_factor) return out ``` 此代码片段展示了如何定义一个简单的PyTorch层来进行Haar小波下采样操作。它接受任意数量通道作为输入，并利用预设权重矩阵执行转换以达到降维目的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值