摘要
本文使用动态上采样改进YoloV8，动态上采样是今天最新的上采样改进方法，具有轻量高效的特点，经过验证，在多个场景上均有大幅度的涨点，而且改进方法简单，即插即用！
论文：《DySample：Learning to Upsample by Learning to Sample》
论文：https://arxiv.org/pdf/2308.15085
我们提出了DySample，一个超轻量级且高效的动态上采样器。虽然最近的基于内核的动态上采样器，如CARAFE、FADE和SAPA，取得了令人印象深刻的性能提升，但它们引入了大量的计算量，这主要是由于耗时的动态卷积以及用于生成动态内核的附加子网络。此外，FADE和SAPA对高分辨率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，我们避开了动态卷积，从点采样的角度构建上采样器，这种方法更加资源高效，并且可以轻松地使用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，然后逐步演示如何加强其上采样行为，最终得到我们的新上采样器DySample。与之前的基于内核的动态上采样器相比，DySample无需定制CUDA包，并且具有更少的参数、浮点运算次数、GPU内存和延迟。除了轻量级的特性外，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、全景分割和单目深