YOLOv11 改进 - 特征融合 | 小目标检测救星：DySample动态上采样减少特征丢失

魔改工程师

墨衍会员 · 1平台 · 1.3k阅读码龄3年

关注

原创 2025-12-09 20:51:02 1.3k 阅读 AI 写同款· GEO 优化 ›

最新YOLOv11改进专栏专栏收录该内容

¥99.90 ¥299.90

224篇文章

订阅专栏

前言

本文介绍了超轻量且高效的动态上采样器DySample与YOLOv11的结合，以解决传统上采样器工作负载大、应用场景受限的问题。DySample从点采样角度构建上采样，绕过动态卷积，使用PyTorch标准内置函数实现，无需定制CUDA包，能大幅减少参数、FLOPs等资源消耗。我们将DySample代码集成进YOLOv11。实验脚本显示，结合DySample的YOLOv11在多个密集预测任务中或表现出色。

文章目录： YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

摘要

我们提出了DySample，这是一种超轻量且高效的动态上采样器。尽管最近基于内核的动态上采样器（如CARAFE、FADE和SAPA）在性能上取得了显著提升，但它们引入了大量工作负载，主要是由于耗时的动态卷积以及用于生成动态内核的额外子网络。此外，FADE和SAPA需要高分辨率特征的指导，这在某种程度上限制了它们的应用场景。为了解决这些问题，我们绕过了动态卷积，从点采样的角度来构建上采样，这种方法更节省资源，并且可以轻松使用PyTorch中的标准内置函数实现。我们首先展示了一个简单的设计，然后一步步展示如何增强其上采样行为，最终实现我们新的上采样器DySample。与之前基于内核的动态上采样器相比，DySample不需要定制的CUDA包，并且参数、FLOPs、GPU内存和延迟都大大减少。除了轻量级的特点外，DySample在五个密集预测任务（包括语义分割、目标检测、实例分割、全景分割和单目深度估计）中表现优于其他上采样器。代码可在 https://github.com/tiny-smart/dysample 获取。