YOLOv11改进 | Conv篇 | YOLOv11引入24年最新卷积模块LDConv

1.LDConv介绍

1.1  摘要：基于卷积运算的神经网络在深度学习领域取得了显著的成果，但标准卷积运算存在两个固有的缺陷。一方面，卷积运算被限制在局部窗口内，因此它不能从其他位置捕获信息，并且它的采样形状是固定的。另一方面，卷积核的大小被固定为k × k，这是一个固定的正方形，并且参数的数量倾向于与大小成正比地增长。尽管可变形卷积（Deformable Conv）解决了标准卷积的固定采样问题，但是参数的数量也趋向于以平方方式增长，并且Deformable Conv没有探究不同初始样本形状对网络性能的影响。针对上述问题，本文提出了一种线性可变形卷积算法（LDConv），该算法为卷积核提供了任意数目的参数和任意的采样形状，从而为网络开销和性能之间的权衡提供了更丰富的选择。在LDConv中，定义了一种新的坐标生成算法，用于为任意大小的卷积核生成不同的初始采样位置。为了适应变化的目标，引入偏移以调整每个位置处的样本的形状。LDConv将标准卷积和可变形Conv的参数数量的增长趋势校正为线性增长。与Deformable Conv相比，LDConv提供了更丰富的选择，并且当LDConv的参数数目被设置为K的平方时