論文
源代碼

一、論文

基于卷積運算的神經網絡在深度學習領域取得了顯著的成果，但標準卷積運算存在兩個固有缺陷：一方面，卷積運算被限制在一個局部窗口，不能從其他位置捕獲信息，并且其采樣形狀是固定的;另一方面，卷積核的大小是固定為k × k的，它是一個固定的方形形狀，參數的數量往往與大小成正比。很明顯，在不同的數據集和不同的位置，目標的形狀和大小是不同的。具有固定樣本形狀和正方形的卷積核不能很好地適應不斷變化的目標。針對上述問題，本研究探索了可變核卷積(AKConv)，它為卷積核提供了任意數量的參數和任意采樣形狀，為網絡開銷和性能之間的權衡提供了更豐富的選擇。在AKConv中，我們通過一種新的坐標生成算法來定義任意大小的卷積核的初始位置。為了適應目標的變化，我們引入偏移量來調整每個位置的樣本形狀。此外，我們通過使用相同大小和不同初始采樣形狀的AKConv來探索神經網絡的效果。AKConv通過不規則卷積操作完成了高效的特征提取過程，為卷積采樣形狀帶來了更多的探索選擇。在COCO2017、VOC