改进YOLO系列 | GhostNetV2: 用长距离注意力增强低成本运算 | 更换骨干网络之GhostNetV2

*包含YOLOv5、YOLOv7、YOLOv7-Tiny 的 yaml 文件

轻量级卷积神经网络（CNN）是专门为在移动设备上具有更快推理速度的应用而设计的。卷积操作只能捕捉窗口区域内的局部信息，这防止了性能的进一步提高。将自注意力引入卷积可以很好地捕捉全局信息，但这将大大拖累实际速度。本文提出了一种硬件友好的注意力机制（称为DFC注意力），并提出了一种适用于移动应用的新GhostNetV2架构。所提出的DFC注意力是基于全连接层构建的，不仅可以在通用硬件上快速执行，而且还可以捕捉长距离像素之间的依赖关系。我们进一步重新审视了先前GhostNet中的表现瓶颈，并建议使用DFC注意力增强由廉价操作产生的扩展特征，以便GhostNetV2块可以同时聚合局部和长距离信息。广泛的实验表明GhostNetV2优于现有架构。例如，它在ImageNet上实现了75.3％的Top-1准确率，FLOPs为167M，显着抑制了具有类似计算成本的GhostNetV1（74.5％）。

论文地址：https://arxiv.org/pdf/2211.12905.pdf

网络表现

这项研究的背景是轻量级卷积神经网络专为移动设备上具有更快推理速度的应用而设计。卷积操作只能在窗口区域内捕获局部信息，这阻碍了性能的进一步提高。引入自我注意力到卷