CV-高效的即插即用模块

1.空洞卷积 Atrous convolution(Dilated convolution)

kernel_size = 3*3
dialted rate 分别为1，2，4
在不增加计算量的情况下，扩大了感受野

2.1 可变性卷积 Deformable Convolutional Networks

更一般的话的空洞卷积，进一步自适应选择采样方式
效果图如下：

网络实现如下：通过网络自适应学习每个像素点的采样点的偏移量，根据偏移量进行采样然后加权求和得到feature map, 完成deformable convolution 操作。

2.2 可变性卷积 Deformable Convolution Network 2

在原有DCN的基础上，进行改进。网络不仅预测偏移量，同时还预测其对应幅度，当幅度为0时，意味着不关注当前像素点区域。

3. 非对称卷积核

出自论文《ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks》

训练到测试模型的等价转换包括：BN Fusion 和 Branch Fusion 两个步骤。

4.条形池化（strip pooling)

源自论文《Strip Pooling: Rethinking Spatial Pooling for Scene Parsing》
与传统的方形空间池化操作不同，该论文设计了条形池化思路，用于捕获细长条物体的特征
基于条形池化思想，设计了Strip Pooling Module 和 Mixed Pooling Module，嵌入到backbone网络中
SPM如下图，可以看作一种attention机制

MPM如下图，包括传统空间池化和条形池化两个子模块，分别用于捕获短距离（局部）依赖和长距离依赖，从而更好地适应于不同形状物体