相似性注意力串行多样性卷积

即插即用即提精度

利用通道间相似性注意力与串行卷积结构引导滤波器学习多样性特征，在显著压缩算力的同时提升分类与检测任务精度。

Huihuang, Zhang · Hu, Haigeng Gen · Deming, Zhou · 曹斌 · 张笑钦

IEEE Transactions on Emerging Topics in Computational Intelligence 2025

参数信息

ImageNet Top-1 准确率

77.07 %

CIFAR-10 准确率

92.67 %

COCO mAP 提升

39.3 %

CityScapes mIoU 提升

3.2 %

CityScapes mAcc 提升

1.4 %

技术优势

即插即用

SSDConv 的参数和卷积核形状与标准卷积完全一致，任何 CNN 中的标准卷积都可以直接替换，无需修改网络其他部分或训练流程。

精度不降反升

在多种 CNN 架构中替换标准卷积后，SSDConv 在 PARAMs 和 FLOPs 均大幅下降的前提下，CIFAR-10、ImageNet 精度均优于原网络。

检测分割同步受益

将 SSDConv 嵌入检测和分割主干网络后，COCO 目标检测 mAP 提升 39.3%，CityScapes 语义分割 mIoU 提升 3.2%、mAcc 提升 1.4%，证明多样性特征对下游任务同样有效。

应用场景

• 边缘端视觉模型：在算力受限的边缘设备上部署高精度识别模型，无需更换更高端硬件。
• 移动端检测：将移动端检测主干替换为 SSDConv，可在手机处理器上实现实时且更准确的检测。
• 机器人视觉感知：机器人的视觉系统可用 SSDConv 压缩感知模型，降低功耗的同时提升分割精度。
• 无人机目标检测：无人机搭载 SSDConv 检测模型，在有限算力下提高小目标检测的 mAP。