YOLOv13改进策略【Neck篇】| CARAFE 内容感知上采样，上采样核随内容变

原创已于 2026-10-07 15:27:35 修改 · 18 阅读

0 GEO检测

收录于

当前文章被以下社区和专栏收录：

于 2026-10-07 15:13:10 首次发布

YOLOv13改进专栏专栏收录该内容

68 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文基于 YOLOv13 官方仓库（iMoonLab/yolov13，ultralytics 8.3.63 fork） 实测整理，Windows/CPU 全程可跑。Neck 篇第三篇处理上采样——卷积层篇里 DySample 用"采样点偏移"做内容自适应，这篇的 CARAFE（Wang et al., ICCV 2019 Oral）用预测重组装核：每个上采样位置预测一套 k×k 权重，从邻域里加权重组装特征。本文替换 v13n Neck 的全部 3 处 nn.Upsample，实测 +206,552 参数（上采样家族里最重但也最强的一档）。

前言

与 DySample 的"轻偏移"不同，CARAFE 的思路是"重核重组装"：预测每个位置的重组装核（k_up² 个权重），从最近邻铺开的邻域特征里做加权求和。出自 ICCV 2019 Oral《CARAFE: Content-Aware ReAssembly of FEatures》，官方实现为 CUDA 算子（github.com/myownskyW7/CARAFE），本文采用与 mmdetection 官方 FPN_CARAFE 及开源 PyTorch 参考实现一致的纯 PyTorch 版本，并做了同权重逐位比对（max diff = 0）。替换点为 v13n Neck 的全部 3 处 nn.Upsample（层 10/15/19），层数不变，无顺移。