YoloV8改进策略：Conv改进|TBC卷积，代码注释|多种改进方法|轻量又涨点|即插即用

本文主要是介绍YoloV8改进策略：Conv改进|TBC卷积，代码注释|多种改进方法|轻量又涨点|即插即用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

摘要

Tied Block Convolution（TBC），在等量的通道块上共享相同的较薄的滤波器，并使用单个滤波器生成多个响应。TBC的概念也可以扩展到组卷积和全连接层，并且可以应用于各种骨干网络和注意力模块。与传统的卷积和组卷积相比，TBC在各方面都取得了显著的增益。本文将TBC卷积应用到YoloV8的改进中，打造轻量高效的YoloV8。

论文：《TBC(Tied Block Convolution)：具有共享较薄滤波器的更简洁、更出色的CNN》

https://arxiv.org/pdf/2009.12021.pdf
卷积是卷积神经网络（CNN）的主要构建块。我们观察到，随着通道数的增加，优化后的CNN通常具有高度相关的滤波器，这降低了特征表示的表达力。我们提出了Tied Block Convolution（TBC），它在等量的通道块上共享相同的较薄的滤波器，并使用单个滤波器生成多个响应。TBC的概念也可以扩展到组卷积和全连接层，并且可以应用于各种骨干网络和注意力模块。

我们在分类、检测、实例分割和注意力等方面进行了广泛的实验，结果表明，与传统的卷积和组卷积相比，TBC在各方面都取得了显著的增益。我们提出的TiedSE注意力模块甚至可以使用比SE模块少64倍的参数来实现相当的性能。特别地，标准的CNN往往在有遮挡的情况下无法准确地聚合信息，导致产生多个冗余的部分对象提议。通过跨通道共享滤波器，TBC减少了相关性，并可以有效地处理高度重叠的实例。当遮挡比为80%时，TBC将MS-COCO对象检测的平均精度提高了6%。我们的代码将会公开。