可变形卷积（Deformable Convolution）

前言：

之前分了两次将深度学习中常用的各种卷积操作进行了汇总介绍，具体包括标准2D卷积、1×1卷积、转置卷积、膨胀卷积、深度卷积以及可分离卷积和分组卷积，之前在读文献时碰巧见过还有一个可变形卷积，这种卷积方式可以更好的根据目标本身的形状进行特征提取。这篇文章主要目的是为了学习理解可变形卷积，以便后面实验使用。
原文链接：https://arxiv.org/abs/1703.06211

一、可变形卷积

1.原文摘要（Abstract）

我在这里首先把原文摘要中的部分信息进行提取展示，以对可变形卷积有一个初步的认识，并了解作者为什么提出可变形卷积。

原文：Convolutional neural networks (CNNs) are inherently limited to model geometric transformations due to the fixed geometric structures in their building modules. In this work, we introduce two new modules to enhance thetransformation modeling capability of CNNs, namely, de-formable convolution and deformable RoI pooling. Both are based on the idea of augmenting the spatial samplinglocations in the modules with additional offsets and lea