YOLOv8最新改进系列：融合DySample超轻量动态上采样算子，低延迟、高性能，目前最新上采样方法！！！遥遥领先！

DySample超轻量动态上采样算子全文戳这！here!

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

YOLOv8最新改进系列：融合DySample超轻量动态上采样算子，低延迟、高性能，目前最新上采样方法！！！遥遥领先！

YOLOv8最新改进系列：融合DySample超轻量动态上采样算子，低延迟、高性能，目前最新上采样方法！！！遥遥领先！
摘要
1 简介
2 相关工作
3.学习采样和上采样
4 结论
9 修改步骤！
- 4.1 修改YAML文件
- 4.2 新建.py
- 4.3 修改tasks.py
三、验证是否成功即可

arge Separable Kernel Attention: Rethinking the
Large Kernel Attention Design in CNN（提出原文戳这）

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！
截止到发稿时，B站YOLOv9最新改进系列的源码包，已更新了11种的改进！自己排列组合2-4种后，考虑位置不同后可排列组合上千种！！专注AI学术，关注B站博主：Ai学术叫叫兽er！

摘要

我们介绍DySample，一个超轻量和有效的动态上采样器。虽然最近基于内核的动态上采样器(如CARAFE、FADE和SAPA)的性能提升令人印象深刻，但它们带来了大量的工作负载，主要是由于耗时的动态卷积和用于生成动态内核的额外子网络。此外，对高特征指导的需求在某种程度上限制了它们的应用场景。为了解决这些问题，我们绕过动态卷积并从点采样的角度制定上采样，这更节省资源，并且可以很容易地使用PyTorch中的标准内置函数实现。我们首先展示了一个朴素的设计，然后演示了如何逐步加强其上采样行为，以实现我们的新上采样器DySample。与以前基于内核的动态上采样器相比，DySample不需要定制CUDA包，并且具有更少的参数、FLOPs、GPU内存和延迟。除了轻量级的特点，DySample在五个密集预测任务上优于其他上采样器，包括语义分割、目标检测、实例分割、全视分割和单目深度估计。

1 简介

特征上采样是密集预测模型中逐渐恢复特征分辨率的关键因素。最常用的上采样器是最近邻（NN）和双线性插值，它们遵循固定的规则来插值上采样值。为了增加灵活性，在一些特定任务中引入了可学习的上采样器，例如，实例分割中的去卷积[13]和图像超分辨率中的像素混洗场景（高分辨率功能必须可用）。与早期的普通网络不同，多尺度特征经常用于现代架构中;因此，作为上采样器输入的高分辨率特征可能不是必要的。例如，在特征金字塔网络（FPN）[23]中，高分辨率特征将在上采样后添加到低分辨率特征中。因此，我们认为设计良好的单输入动态上采样器就足够了。考虑到动态卷积引入的繁重工作量，我们绕过基于内核的范例并返回到上采样的本质，即，点采样，以重新制定上采样过程。具体来说，我们假设输入的功能是内插到一个连续的双线性插值，并产生内容感知的采样点重新采样的连续地图。从这个角度来看，我们首先提出了一个简单的设计，其中逐点偏移由线性投影生成，并用于使用PyTorch中的网格采样函数重新采样点值。然后，我们展示了如何通过i）控制初始采样位置，ii）调整偏移量的移动范围，iii）将上采样过程划分为几个独立的组来逐步改进它，并获得我们的新上采样器DySample。在每一步，我们解释为什么需要调整，并进行实验，以验证性能增益。与其他动态上采样器相比，DySample i）不需要高分辨率的引导功能作为输入，ii）也不需要PyTorch以外的任何额外CUDA包，特别是iii）具有更少的推理延迟，内存占用，FLOP和参数数量，如图1和图8所示。例如，在以MaskFormer-SwinB [8]为基线的语义分割上，DySample比CARAFE的性能提高了46%，但只需要CARAFE的3%的参数和20%的FLOP。由于高度优化的PyTorch内置函数，DySample的推理时间也接近双线性插值（6.2 ms vs. 1.6 ms，当对256 × 120 × 120特征图进行上采样时）。除了这些吸引人的轻量级特性外，DySample在五个密集预测任务（包括语义分割、对象检测、实例分割、全景分割和单眼深度估计）上的性能优于其他上采样器。简而言之，我们认为DySample可以安全地取代现有密集预测模型中的NN/双线性插值，不仅是有效性，而且是效率。

图1.比较不同上采样器的性能、推理速度和GFLOP。圆圈的大小表示GFLOP的成本。通过对尺寸为256×120×120的特征图进行×2上采样来测试推理时间。使用SegFormer-B1 [40]在ADE 20 K数据集[42]上测试mIoU性能和其他GFLOP。

2 相关工作

我们回顾了深度学习中的密集预测任务、特征上采样算子和动态采样。密集预测任务。密集预测是指需要逐点标签预测的任务的分支，例如语义/实例/全景分割[2，39，40，8，7，13，11，16，19]，对象检测[33，4，24，36]和单眼深度估计[38，18，3，21]。不同的任务往往表现出不同的特点和困难。例如，在语义分割中很难预测平滑的内部区域和尖锐的边缘，在实例感知任务中也很难区分不同的对象。在深度估计中，具有相同语义含义的像素可能具有相当不同的深度，反之亦然。人们经常需要为不同的任务定制不同的架构。虽然模型结构各不相同，但上采样算子是密集预测模型中的重要组成部分。由于主干通常输出多尺度特征，因此低分辨率特征需要上采样到更高的分辨率。因此，一个轻量级的，有效的上采样器将有利于许多密集的预测模型。我们将展示我们新的上采样器设计为SegFormer [40]和MaskFormer [8]带来了一致的性能提升，用于语义分割，用于对象检测的Faster R-CNN [33]，例如分割的Mask R-CNN [13]，用于全景分割的Panoptic FPN [16]，以及用于单目深度估计的DepthFormer [21]，同时引入可忽略不计的工作量。功能上采样。常用的特征上采样器是NN和双线性插值。它们应用固定的规则来插值低分辨率特征，忽略了特征图中的语义含义。SegNet [2]在语义分割中采用了最大解池来保留边缘信息，但噪声和零填充的引入破坏了平滑区域的语义一致性。与卷积类似，一些可学习的上采样器在上采样中引入了可学习的参数。例如，反卷积以卷积的相反方式对特征进行上采样。Pixel Shuffle [34]使用卷积提前增加通道数，然后重塑特征图以提高分辨率。最近，一些动态上采样算子进行内容感知上采样。CARAFE [37]使用子网络来生成内容感知的动态卷积核来重新组装输入特征。FADE [29]提出将高分辨率和低分辨率特征联合收割机来生成动态内核，以便使用高分辨率结构。SAPA [30]进一步引入了点关联的概念，并计算高分辨率和低分辨率特征之间的相似性感知内核。作为模型插件，这些动态上采样器增加了比预期更多的复杂性，特别是对于需要高分辨率特征输入的FADE和SAPA。因此，我们的目标是提供一个简单，快速，低成本和通用的上采样器，同时保留动态上采样的有效性特征图，作为标准网格采样的替代。Dai等人。[9]和Zhu等人。[43]提出了可变形卷积网络，其中标准卷积中的矩形窗口采样被移位点采样取代。Deformable DETR [44]遵循这种方式，对与某个查询相关的关键点进行采样，以进行可变形注意。当图像被下采样到低分辨率时，也会发生类似的做法，用于内容感知的图像增强，也称为缝刻[1]。例如，在一个示例中，Zhang等人。[41]提出学习使用显着性指导对图像进行下采样，以保留原始图像的更多信息，Jin等人。[15]还设置了一个可学习的变形模块来对图像进行下采样。与目前基于核的上采样器不同，我们将上采样的本质解释为点重采样。因此，在特征上采样中，我们倾向于遵循与上述工作相同的精神，并使用简单的设计来实现强大而高效的动态上采样器。

3.学习采样和上采样

详细的方法介绍看全文即可，链接在文首！

4 结论

我们提出了DySample，一个快速，有效，通用的动态上采样器。与一般的基于核函数的动态上采样不同，DySample是从点采样的角度进行设计的。我们从一个简单的设计开始，并展示如何从我们对上采样的深刻见解中逐步提高其性能。与其他动态上采样器相比，DySample不仅报告了最佳性能，而且摆脱了定制的CUDA包，消耗了最少的计算资源，在延迟，训练内存，训练时间，GFLOPs和参数数量方面表现出优越性。对于未来的工作，我们计划将DySample应用于低级别任务，并研究上采样和下采样的联合建模。