AKConv：具有任意采样形状和任意数目参数的卷积核
文章目录
- 摘要
- 1、引言
- 2、相关工作
- 3、方法
-
- 3.1、定义初始采样位置
- 3.2、可变卷积操作
- 3.3、扩展AKConv
- 4、实验
-
- 4.1、在COCO2017上的目标检测实验
- 4.2、在VOC 7+12上的目标检测实验
- 4.3、在VisDrone-DET2021上的目标检测实验
- 4.4、比较实验
- 4.5、探索初始采样形状
- 5、分析讨论
- 6、结论
摘要
https://arxiv.org/pdf/2311.11587.pdf
基于卷积运算的神经网络在深度学习领域取得了显著的成果，但标准卷积运算存在两个固有缺陷。一方面，卷积运算被限制在一个局部窗口，不能从其他位置捕获信息，并且其采样形状是固定的;另一方面，卷积核的大小是固定为k × k的，它是一个固定的方形形状，参数的数