YoloV10改进策略：卷积篇|大感受野的小波卷积|即插即用

论文介绍

• 论文背景：近年来，人们尝试增大卷积神经网络（CNNs）的核大小以模仿视觉转换器（ViTs）自注意力模块的全局感受野，但这种方法很快便达到了上限并饱和。论文提出了一种新的解决方案，即利用小波变换（WT）获得非常大的感受野。
• WTConv层：论文提出了一种新层，称为WTConv，该层使用WT来有效地增加卷积的感受野，并且可以作为现有架构中的即插即用替代品。
• 实验验证：论文通过大量实验评估了WTConv在图像分类等计算机视觉任务中的效果，并展示了其带来的额外特性。

创新点

• 利用小波变换：论文首次将小波变换（WT）应用于卷积神经网络中，以有效地增加卷积的感受野，同时避免过度参数化。
• 即插即用替代品：WTConv层被设计为深度卷积的即插即用替代品，可以在任何给定的CNN架构中直接使用，而无需额外修改。
• 多频响应：WTConv层能够产生有效的多频响应，并且随着感受野大小的增加而优雅地扩展。

方法

• 小波变换：论文采用Haar小波变换，因为它高效且直接。给定一张图像，通过深度卷积和下采样实现小波变换。
• 小波域中的卷积：使用小波变换对输入的低频和高频内容进行滤波