Improving Convolutional Networks with Self-Calibrated Convolutions 2020CVPR 自校准网络结构

论文下载地址：http://mftp.mmcheng.net/Papers/20cvprSCNet.pdf

代码下载地址：https://github.com/MCG-NKU/SCNet

论文摘要：

        当前深度学习中，为提升网络效果，大多数的研究都是集中在修改网络结构上。SCNet中提出了对卷积层的改进，提出了类似于分组卷积的操作，但是每个分组都会互相影响，从而提取更加丰富的特征。该创新在分类和目标检测中在不增加计算量和参数量的基础上取得了很好的精度提升，其他网络结构可以方便嵌入。

算法网络结构：

      从上图可以看出该算法的整体网络结构。论文中将一个普通的卷积核分为了[K1,K2,K3,K4]四个卷积核。首先将输入的特征图X分为X1和X2两部分，X1经过K2时先进性平均池化操作，然后再通过线性插值进行一个上采样，再和X1进行元素相加，经过Sigmod处理之后和K3进行元素的相乘，再经过K4卷积操作之后得到Y1。X2则直接经过K1卷积之后得到Y2，最后将Y1和Y2通过concate层进行通道的连接得到最后的结果Y。

    该网络结构具有以下三个优点：

        1. 可以产生足够大的视野，收集更多更丰富的上下文信息，可以将目标定位更加准确，视野更大。如下图所示，该网络结构的特征图的高响应值比其他算法更大。

                       

        2. 该网络结构产生的目标特征图获得更多的空间信息，而非全局上下文信息，可以使网络更加关注于目标信息，忽略背景干扰，抗干扰能力强。

                          

        3. 该网络结构可以获取多尺度信息，对于目标检测等任务具有很高的适配性。

实验结果：

下图是目标检测和实力分割的实验结果。整体上提升了检测和分割结果。

下图是语义分割的实验结果，SCNet对分割结果有所提升。