CoordConv卷积改进yolov5-6.1

论文：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/1807.03247

一、背景
最近发现了一篇18年Uber美团发的一篇文章，针对卷积操作的改进。论文中提到，卷积网络在坐标变换上的缺陷限制了它的性能提升，即：它无法将空间表示转换为笛卡尔空间中的坐标和one-hot像素空间中的坐标。具体原因请参考论文，这部分没有研究，毕竟只是拿来用，且恰好有用而已。
二、针对此问题，论文中提出解决方法：
由于卷积是等变的，也就是说当每个过滤器应用到输入上时，它不知道每个过滤器在哪。我们可以帮助卷积，让它知道过滤器 的位置，这一过程需要在输入上添加两个通道实现：一个在i坐标，另一个在j坐标。如下为CoordConv卷积图：

论文认为，卷积获得成功的原因主要依靠三个元素：运用相对较少的学习参数、在GPU上计算速度很快、学习函数符合平移等变性。
CoordConv保留了前两种特点——较少的参数和高效的计算。如果坐标的权重变为零，CoordConv就和普通卷积没什么区别。另一方面，如果平移依赖对下游任务有用的话，它也同样可以学习。

由以上分析可知：CoordConv工作原理是通过使用额外的坐标通道，让卷积访问自己的输入坐标。CoordConv允许网络学习完全翻译不变性或不同程度的翻译依赖性。
它在输入特征图，添加了两个通道，一个表征