简介
在目标检测和语义分割任务中，特征下采样是至关重要的一步，它可以降低模型的计算复杂度，同时保留重要的特征信息。传统的 YOLOv5 和 YOLOv7 模型使用池化层来进行特征下采样，但池化层会丢失一些重要的空间信息。
为了解决这个问题，本文提出了一种新的方案，即使用 Haar 小波下采样来替换 YOLOv5 和 YOLOv7 中的池化层。Haar 小波是一种简单而有效的下采样方法，它可以保留更多的空间信息，同时降低计算复杂度。
原理详解
Haar 小波下采样是一种基于滤波的操作，它使用两个滤波器来分解输入特征图。这两个滤波器分别是：
- 平均滤波器: 将输入特征图中的每个像素值与相邻的 8 个像素值进行平均。
- 差分滤波器: 将输入特征图中的每个像素值与相邻的 4 个像素值进行相减。
平均滤波器可以保留输入特征图中的低频信息，而差分滤波器可以保留输入特征图中的高频信息。通过将这两个滤波器的输出进行组合，就可以得到下采样的特征图。
Haar 小波下采样的主要优点如下：
- 简单易用: Haar 小波下采样只需要两个滤波器，计算复杂度低。
- 有效保留空间信息: Haar 小波下采样可以保留更多的空间信息，这对于语义分割任务尤为重要。
- 可逆: Haar 小波下采样是可逆的，这意味着可以将下采样的特征图重建为原始特征图。
应用场景解释
Haar 小波下采样可以应用于各种需要特征下采样的场景，例如：
- 图像压缩: 将图像压缩为更小的尺寸。
