💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡 专栏目录 ：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有40+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进——点击即可跳转 Atrous Spatial Pyramid Pooling (ASPP) 是一种在深度学习框架中用于语义分割的网络结构，它旨

一、参考资料 目标检测：SPP-net SPP原理及实现 金字塔池化系列的理解SPP、ASPP SPP，PPM、ASPP和FPN结构理解和总结 二、空间金字塔池化(SPP) 原始论文：[1] 1. 引言 传统的卷积神经网络中，池化层通常采用固定的池化层级和固定的池化大小，这种方法对于不同大小的输入图像会导致信息的丢失，从而影响模型的准确性。而SPP空间金字塔池化方法则可以自适应地对不同大

1.空洞卷积 想要获取较大感受野需要用较大的卷积核或池化时采用较大的stride，对于前者计算量太大，后者会损失分辨率。然而想要对图片提取的特征具有较大的感受野，并且又想让特征图的分辨率不下降太多(分辨率损失太多会丢失许多关于图像边界的细节信息)，但这两个是矛盾的。而空洞卷积就是用来解决这个矛盾的。即可让其获得较大感受野，又可让分辨率不损失太多。空洞卷积如下图： （a）是rate=1的空洞卷

SPP与SPPF 一、SPP的应用的背景 在卷积神经网络中我们经常看到固定输入的设计，但是如果我们输入的不能是固定尺寸的该怎么办呢？ 通常来说，我们有以下几种方法： （1）对输入进行resize操作，让他们统统变成你设计的层的输入规格那样。但是这样过于暴力直接，可能会丢失很多信息或者多出很多不该有的信息（图片变形等），影响最终的结果。 （2）替换网络中的全连接层，对最后的卷积层使用globa

SPP与SPPF 一、SPP的应用的背景 在卷积神经网络中我们经常看到固定输入的设计，但是如果我们输入的不能是固定尺寸的该怎么办呢？ 通常来说，我们有以下几种方法： （1）对输入进行resize操作，让他们统统变成你设计的层的输入规格那样。但是这样过于暴力直接，可能会丢失很多信息或者多出很多不该有的信息（图片变形等），影响最终的结果。 （2）替换网络中的全连接层，对最后的卷积层使用globa

ASPP是基于空洞卷积(Dilatd/Atrous Convolution)和SPP(空间金字塔池化)的。用空洞卷积代替了单纯的adaptivepooling. ASPP对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。             ASPP实际上是空间金字塔池的一个版本，其中的概念已经在SPPNet中描述。在ASPP中，在输入特征映射中应用