优化改进YOLOv5算法之Dilation-wise Residual(DWR)可扩张残差注意力模块，增强多尺度感受野特征，助力小目标检测

目录

1 Dilation-wise Residual模块原理

1.1 设计动机

1.2 Dilation-wise Residual模块

1.2.1 Design idea and structure

1.2.2 Parameter design

1.3 Simple Inverted Residual Module

1.4 Overall architecture

2 YOLOv5中加入DWR模块

2.1 common.py文件配置

2.2 yolo.py配置

2.3 创建添加优化点模块的yolov5x-C3-DWR.yaml

2.4 训练 

参考文献

---

1 Dilation-wise Residual模块原理

1.1 设计动机

最近的许多方法都为实时语义分割任务设计了专用主干，其中感受野的设计是其中的一个重要部分。通常，这些方法追求广阔的感受野以捕获更多的上下文信息，从而提高特征表示能力。然而，作者认为，在实践中这可能会导致低效的特征提取。

DABNet和CGNet在其网络的深层使用具有大空洞率的空洞卷积，但作者观察到，这些卷积中几乎没有任何参数可以被学习。这种现象的原因是，这种卷积几乎不可能在实质上大的空间跨度上直接建立特征之间的连接，从而导致低的特征提取效率。而STDC在整个网络中保持相同的感受野大小，这对于low-level特征提取来说太大，从而限制了效率。作者观察到，在STDC的low-level，更少的卷积层但更多的通道可以产生更好的结果。

作者认为，确定合适的感受野大小对于提高特征提取的效率至关重要，并且在网络的不同阶段对感受野大小的要求是不同的。随着特征语义表示的增强，更高的阶段需要更大的感受野。因此，分别为较高和较低阶段设计了使用空洞卷积来扩展感受野的模块和使用规则卷积来限制感受野的模型。

此外，作者认为，对一层不同大小的感受野的要求也不同。具体而言，具有小空洞率的空