RT-DETR改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配

一、本文介绍

本文记录的是利用EUCB模块对RT-DETR的颈部网络进行改进的方法研究。RT-DETR采用传统的标准3×3卷积结合上采样的方法进行特征分辨率匹配与增强，可能因计算成本过高限制模型在资源受限场景的应用，且单纯上采样易导致特征模糊，影响模型在目标检测任务中的特征融合效果。EUCB通过“上采样+3×3深度卷积+1×1点卷积”的轻量架构进行特征处理，既能大幅降低计算成本，又能通过深度卷积捕捉局部特征、保留关键语义信息，提升颈部网络特征融合效率与模型检测性能。

---

专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

二、EUCB介绍

EMCAD:Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation

2.1 设计出发点

为解决解码器中特征分辨率匹配问题，同时降低传统上采样模块（如用标准3×3卷积）的高计算成本，以适配医疗图像分割中资源受限场景，EUCB模块应运而生，旨在平衡分辨率匹配需求与计算效率，同时保留关键特征。

2.2 结构

EUCB遵循“上采样→特征增强→通道匹配”流程，具体为：

1. 上采样：用缩放因子2的上采样（如双线性插值）扩大特征图尺寸，初步匹配下一级跳接特征分辨率。
2. 特征增强：依次经3×3深度卷积（DWC）提取局部特征、批量归一化（BN）加速收敛、ReLU激活引入非线性。
3. 通道匹配：通过1×1点卷积将通道数调整为与下一级跳接特征一致。
   其数学公式为： EUCB ( x ) = C 1 × 1 ( ReLU ( BN ( DWC ( Up ( x ) ) ) ) ) \text{EUCB}(x) = C_{1×1}\left( \text{ReLU}\left( \text{BN}\left( \text