1. 简述
PGI是YOLOv9的一大特色。为了丰富网络训练过程中，梯度反馈的路径（主要是梯度反馈宽度），尽量减少在训练过程中的网络信息丢失，作者添加了一个PGI（Programable Gradient Infomation）模块。
PGI模块的引入，从宏观上看，就像是网络新加了一条Detect分支（此处将类似以往YOLOv3/5/8等的3条不同分辨率的head路线称为一个Detect分支）。作者将这一条增加的分支乘坐“辅助可逆分支”，用来产生“可信梯度信息”。
2. 论文表述
论文中，在第3节，作者提出通过加入BN层、新的激活函数等在一定程度上缓解了网络收敛慢或不收敛的问题。但经过深度剖析，作者发现，导致这一问题的根本原因是由于“信息瓶颈”而导致的网络信息的丢失。
作者认为，随着大型网络的出现，原始的数据特征在传递过程中，会不间断的产生丢失，以至于到达最后一层时，已经没有足够的信息来表达我们的期望目标。在这种背景下，反馈过程中的梯度信息就沦为了“不可靠梯度”。作者也提出，可以设计一个足够大的网络，尽可能的保证特征信息的留存。但显然这并不现实。
为了解决训练过程中的网络信息丢失问题，作者在第4小节提出了PGI（Programable Gradient Info）辅助监督框架。通过添加了一个辅助可逆分支，该分支用于产生“可信梯度”。如下图所示，在Figure 3(d)中，灰色方框所属的路径作为一条额外的信息传播路径，在反馈时，可以产生“可靠梯度”。
神奇的是，辅助可逆分支在推理阶段是不需要的，这样不会增加多余的推理消耗。（有没有一种模型剪枝的感觉）。