YOLO11 改进、魔改｜逆向卷积Converse2D，过解析方式实现卷积逆运算的算子，能够高效、高保真地重建输入特征图，适用于图像恢复、上采样和特征重建

最新推荐文章于 2025-10-02 16:40:58 发布

原创最新推荐文章于 2025-10-02 16:40:58 发布 · 1.4k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #yolov11 #yolov11改进 #小目标 #上采样 #Converse2D #特征丢失

YOLOV11魔改专栏收录该内容

118 篇文章

订阅专栏

Converse2D是一种新型的深度反向卷积算子，旨在解决传统转置卷积（deconvolution）不能真正逆卷积操作的问题。当前深度学习中的上采样操作多依赖转置卷积或插值方法，但这些方法在数学上并不是卷积的逆运算，容易引入伪影或信息损失。Converse2D通过建立并求解一个正则化最小二乘优化问题，以闭式解的形式实现了对深度卷积+下采样操作的逆运算，从而在特征层面实现高保真的重建。

1.Converse2D原理

Converse2D的核心原理是将反向卷积问题建模为一个带正则化的最小二乘优化问题：

其中，Y是观测特征图，K是卷积核，s是步长，λ 是正则化参数，X0是初始估计（如插值结果）。该问题在频域中具有闭式解，可通过FFT高效计算，实现非迭代的反向卷积。

Converse2D 以 深度反向卷积算子 为核心，结合工程化设计形成可直接集成的模块。算子层面包含可学习的卷积核 K（经 Softmax 初始化确保非负性和归一性，提升稳定性）、自适应正则化参数 λ（通过 Sigmoid 函数动态学习，适配不同通道特征统计）和初始估计 X0（采用插值初始化提供更优起点）；在网络块设计中，Converse2D 与层归一化、1×1 卷积、GELU 激活及残差连接结合，形成 “反向卷积块”—— 其中 1×1 卷积负责跨通道信息交互，Converse2D 专注空间依赖建模，实现空间与通道处理的解耦，类似 Transformer 的模块化结构，增强网络的灵活性与表达能力。

2. Converse2D习作思路

目标检测：
Converse2D能够更精确地重建特征图的空间细节，尤其是在上采样阶段，有助于恢复小目标的细节信息和空间位置，提升检测器对多尺度目标的感知能力。其闭式解特性减少了伪影，使得特征映射更加清晰，有利于后续的分类与回归任务。

语义分割：
在分割任务中，Converse2D能够更好地保持边界细节和结构一致性，避免传统上采样方法中常见的模糊或锯齿问题。其可学习的正则化参数和核函数使其能够自适应不同场景下的特征分布，提升分割掩码的准确性和边缘质量。

3. YOLO与Converse2D的结合

将Converse2D嵌入YOLO架构中，可替代原有的上采样模块，提升特征金字塔网络（FPN）中的特征融合质量。其能够更准确地重建高分辨率特征图，增强对小目标的检测能力，同时减少上采样过程中的信息损失和伪影，进一步提升检测精度与鲁棒性。

4.Converse2D代码部分

YOLO11|YOLO12|改进| 深度反向卷积Converse2D，通过非迭代的正则化优化实现特征精确恢复，增强特征上采样，减少特征丢失_哔哩哔哩_bilibili

YOLOv11模型改进讲解，教您如何修改YOLOv11_哔哩哔哩_bilibili

代码获取：YOLOv8_improve/YOLOV12.md at master · tgf123/YOLOv8_improve · GitHub

5. Converse2D到YOLOv11中

第一: 将下面的核心代码复制到D:\model\yolov11\ultralytics\change_model路径下，如下图所示。

第二：在task.py中导入包

第三：在task.py中的模型配置部分下面代码

第四：将模型配置文件复制到YOLOV11.YAMY文件中

第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld
import torch
if __name__=="__main__":



    # 使用自己的YOLOv8.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO("/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/models/11/yolo11_Converse2D.yaml")\
        # .load(r'E:\Part_time_job_orders\YOLO\YOLOv11\yolo11n.pt')  # build from YAML and transfer weights

    results = model.train(data="/home/shengtuo/tangfan/YOLO11/ultralytics/cfg/datasets/VOC_my.yaml",
                          epochs=300,
                          imgsz=640,
                          batch=4,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                          # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = False
                          )