YOLOv11改进 | 上采样篇 | YOLOv11引入CARAFE上采样

1. DySample介绍

1.1  摘要：特征上采样是许多现代卷积网络体系结构（如特征金字塔）中的关键操作。它的设计对于密集预测任务（如对象检测和语义/实例分割）至关重要。在本文中，我们提出了一个通用、轻量级、高效的特征重组算子CARAFE来实现这一目标.CARAFE有几个吸引人的特性：（1）大视场。与以往的研究（如双线性插值）仅利用子像素邻域不同，CARAFE能够在较大的感受野范围内聚集上下文信息。(2)内容感知处理。“CARAFE支持特定于实例的内容感知处理，从而动态生成自适应内核，而不是对所有样本使用固定内核（例如，去卷积）。(3)轻量级且计算速度快。CARAFE引入的计算开销很小，并且可以容易地集成到现代网络架构中。我们在目标检测、实例/语义分割和修复方面对标准基准进行了全面的评估。CARAFE在所有任务中显示了一致且实质性的增益（分别为1.2% AP、1.3% AP、1.8% mIoU、1.1dB），而计算开销可忽略不计。它有很大的潜力作为未来研究的一个强有力的基石。

官方论文地址：