YoloV8改进策略：SPD-Conv加入到YoloV8中，让小目标无处遁形

摘要

SPD-Conv是一种新的构建块，用于替代现有的CNN体系结构中的步长卷积和池化层。它由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成。

空间到深度（SPD）层的作用是将输入特征图的每个空间维度降低到通道维度，同时保留通道内的信息。这可以通过将输入特征图的每个像素或特征映射到一个通道来实现。在这个过程中，空间维度的大小会减小，而通道维度的大小会增加。

非步长卷积（Conv）层是一种标准的卷积操作，它在SPD层之后进行。与步长卷积不同，非步长卷积不会在特征图上移动，而是对每个像素或特征映射进行卷积操作。这有助于减少在SPD层中可能出现的过度下采样问题，并保留更多的细粒度信息。

SPD-Conv的组合方式是将SPD层和Conv层串联起来。具体来说，输入特征图首先通过SPD层进行转换，然后输出结果再通过Conv层进行卷积操作。这种组合方式可以在不丢失信息的情况下减少空间维度的尺寸，同时保留通道内的信息，有助于提高CNN对低分辨率图像和小型物体的检测性能。

总结起来，SPD-Conv是一种新的构建块，旨在解决现有CNN体系结构中步长卷积和池化层的问题。它由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成，能够提高模型对低分辨率图像和小型物体的检测性能，并降低对“良好质量”输入的依赖。

优势

将SPD-Conv应用于YOLO v5和ResNet创建的新CNN架构有以下优势&#x