本文介绍了全维动态卷积（ODConv），这是一种增强的动态卷积设计，适用于CNN，特别是在YOLO系列算法中。ODConv通过多维注意力机制和并行策略改进特征学习，对各种CNN架构（包括轻量级和大型）提供准确性的提升，如在ImageNet上使MobileNetV2和ResNet家族的性能显著提高。动态卷积允许卷积核根据输入动态调整，提高灵活性和效率。
单个静态卷积核是现代卷积神经网络（CNNs）的常见训练范式。然而，最近的动态卷积研究表明，学习加权为其输入依赖注意力的n个卷积核的线性组合可以显著提高轻量级CNNs的准确性，同时保持高效的推理。然而，我们观察到现有的作品通过卷积核空间的一个维度（关于卷积核数量）赋予卷积核动态属性，但是另外三个维度（关于每个卷积核的空间尺寸，输入通道数量和输出通道数量）被忽视了。受此启发，我们提出全维动态卷积（ODConv），这是一种更加通用但优雅的动态卷积设计，以推进这一研究领域。ODConv利用一种新的多维注意力机制和并行策略，以学习沿着卷积核空间的所有四个维度的卷积核的互补注意力。作为常规卷积的替代品，ODConv可以插入到许多CNN体系结构中。在ImageNet和MS-COCO数据集上的大量实验证明，ODConv为各种流行的CNN骨干结构带来了可靠的准确性提升，包括轻量级和大型结构&#x
订阅专栏 解锁全文
3586
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
