為了提升無人機(jī)視角下目標(biāo)檢測效果，基于YOLOv5算法，在YOLOv5主干中實現(xiàn)了Omnidimensional Convolution（ODConv），以在不增加網(wǎng)絡(luò)寬度和深度的情況下提高精度，還在YOLOv5骨干網(wǎng)中用ConvNeXt塊替換了原始的C3塊，以加快檢測速度。

1 Omni-dimensional dynamic convolution

YOLOv5使用傳統(tǒng)的二維卷積來生成特征。圖1（a）顯示了二維卷積如何在具有四個濾波器的卷積層中工作。卷積層的輸出通道數(shù)等于濾波器數(shù)，每個濾波器的維數(shù)取決于輸入特征的維數(shù)。傳統(tǒng)的二維卷積可以描述為：???????????? (??) = ?? ? ??，其中?? 表示輸入特征?? 表示卷積層；*表示卷積運算。很明顯，每個濾波器的卷積核不會隨著不同的輸入而改變。因此，為了獲得更多的特征，通常需要增加濾波器的數(shù)量，這效率較低。為了解決這個問題，在我們的網(wǎng)絡(luò)中利用了動態(tài)卷積，它可以提高輕量級CNN的準(zhǔn)確性，同時保持高效的推理。

 Omni-dimensional Dynamic Convolution（ODConv