一、本文介绍
本文记录的是利用GBC门控瓶颈卷积模块改进 RT-DETR 的特征提取部分。
GBC（Gated Bottleneck Convolution）通过低秩瓶颈卷积轻量化、双分支门控加权与残差特征保留结合，在极低计算开销下实现裂缝形态特征的精准提取与背景干扰抑制。本文利用GBC模块，先通过瓶颈卷积大幅降低计算与参数量，再以门控分支动态学习空间权重并对主分支特征加权强化，同时依托残差连接保留原始细节信息，对图像中纤细、断续、复杂形态的裂缝特征进行针对性增强，强效抑制复杂背景与噪声干扰，在特征提取阶段实现形态细节与全局信息的高效互补，避免传统卷积的冗余计算与形态建模不足，显著提升细长目标精度。
专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、GBC模块介绍
- 2.1 设计出发点
- 2.2 模块结构
- 2.3 模块优势
- 三、GBC的实现代码
- 四、创新模块
- 4.1 改进点1⭐
- 4.2 改进点2⭐
- 4.2 改进点3⭐
- 五、修改步骤
- 5.1 修改一
- 5.2 修改二
- 5.3 修改三
- 六、yaml模型文件
- 6.1 rtdetr-l版本
- 6.2 rtdetr-resnet50版本
- 6.3 rtdetr-resnet18版本
- 六、成功运行结果
二、GBC模块介绍
2.1 设计出发点
裂缝形态不规则、纹理纤细，传统卷积参数大、计算冗余，且无法动态聚焦裂缝形态；背景噪声强易干扰特征提取，需要轻量且能自适应聚焦裂缝形态的卷积单元，因此提出轻量门控瓶颈卷积 GBC。
2.2 模块结构
GBC（Gated Bottleneck Convolution）：
- 瓶颈卷积降参：用低秩瓶颈卷积（BottConv）替代普通卷积，大幅降低计算量；
- 双分支门控机制：主分支提取裂缝形态，门控分支学习空间权重，通过哈达玛积动态加权；
- 组归一化+残差连接：稳定分布、保留原始细节，强化裂缝关键特征。
2.3 模块优势
- 极轻量高效：参数与 FLOPs 远低于普通卷积，适合边缘部署；
- 形态感知强：门控动态聚焦裂缝纹理与轮廓，抑制背景杂波；
- 细粒度增强：
