专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，助力高效涨点！！！
一、Gold YOLO摘要
在过去的几年里，YOLO系列模型已经成为实时目标检测领域的领先方法。许多研究通过修改体系结构、增加数据和设计新的损失，将基线提高到了更高的水平。然而，我们发现以前的模型仍然存在信息融合问题，尽管特征金字塔网络（FPN）和路径聚合网络（PANet）已经缓解了这一问题。因此，本研究提供了一种先进的聚集和分布机制（GD）机制，该机制通过卷积和自注意操作来实现。这个新设计的模型名为Gold YOLO，它增强了多尺度特征融合能力，并在所有模型尺度上实现了延迟和准确性之间的理想平衡。
二、Gold YOLO模块详解
2.1 模块简介
Gold yolo的主要思想： 使用GD（gather-and-distribute）机制代替现有的通过不停间接迭代融合不同level的信息的机制。
GD由3种模块组成：FAM(Feature Alignment Module，特征对齐模块)、IFM(Information Fusion Module，信息融合模块)、Inject(Information Injection Module，信息注入模块)。其中FAM与IFM用于特征收集，Inject用于分发。
low-GD主要用于融合模型浅层的特征信息，取代原Neck中的FPN结构，输入为B2,B3,B4,B5的特征张量。输入的特征张量首先通过Low-FAM进行空间尺度对齐并拼接在一起，之后送入IFM模块。分别经过Conv、RepVGGBlock、Conv进行特征提取融合，最后Split，送入Inject模块。
high-GD主要用于融合模型深层的特征信息，取代原Neck中的FPN结构，输入为P3,P4,P5的特征张量。输入的特征张量首先通过High-FAM进行空间尺度对齐并拼接在一起，之后送入IFM模块。分别经过多头注意力机制和前向网络进行特征提取融合，最后Split，送入Inject模块。
Inject模块输入有两个，一个是x_local，一个是x_global，也就是GD中处理完的特征张量。通过图中的Conv与空间的缩放操作与x_local进行特征融合，融合方式主要为点积和相加。
