---

---

摘要

一种卷积神经网络（ConvNet）的通用构建模块，以在不增加推理时间成本的情况下提高性能。该模块被命名为多样分支块（Diverse Branch Block，DBB），通过结合不同尺度和复杂度的多样分支来丰富特征空间，包括卷积序列、多尺度卷积和平均池化，从而增强单个卷积的表示能力。在训练后，DBB可以等效地转换为一个单独的卷积层以进行部署。与新型ConvNet架构的进步不同，DBB在保持宏观架构的同时复杂化了训练时的微观结构，因此它可以作为任何架构的常规卷积层的替代品。通过这种方式，模型可以训练到更高的性能水平，然后转换为原始推理时的结构进行推理。DBB在图像分类（ImageNet上最高提高1.9%的top-1准确率）、目标检测和语义分割方面提高了ConvNet的性能。

DiverseBranchBlock介绍

多样分支块（DiverseBranchBlock）的代表性设计如下图所示（摘自论文）：

1.DiverseBranchBlock(DBB)采用多分支拓扑结构，包括多尺度卷积、顺序1×1 - K×K卷积、平均池化和分支相加。这些具有不同感受野和复杂度的路径操作可以丰富特征空间，就像Inception架构一样。
2.DiverseBranchBlock(DBB)可以在推理时等效地转换为单个卷积。给定一个架构，可以用DBB替换一些常规卷积层，以构建更复杂的训练微观结构，并将其转换回原始结构，这样在推理时不会有额外的成本。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

下文都是手把手教程，跟着操作即可添加成功

---