即插即用篇 | AKConv：具有任意采样形状和任意参数数量的卷积核

最新推荐文章于 2024-09-19 14:07:00 发布

迪菲赫尔曼

最新推荐文章于 2024-09-19 14:07:00 发布

阅读量1.7k

点赞数 1

分类专栏： YOLOv8改进实战文章标签： YOLO 人工智能论文改进 Conv AKConv

原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。

本文链接：https://blog.csdn.net/weixin_43694096/article/details/135733441

版权

YOLOv8改进实战专栏收录该内容

该专栏为热销专栏榜第3名

121 篇文章 977 订阅 ¥299.90 ¥399.90

订阅专栏

AKConv是一种可变核卷积方法，解决了标准卷积的固定采样形状和参数数量问题。通过允许任意大小和形状的卷积核，AKConv能更好地适应不同形状的目标，提高神经网络的性能。实验表明，AKConv在COCO2017、VOC 7+12和VisDrone-DET2021数据集上的目标检测任务中表现出优势。

摘要由CSDN通过智能技术生成

在这里插入图片描述
基于卷积操作的神经网络在深度学习领域取得了显著的成果，但标准卷积操作存在两个固有缺陷。一方面，卷积操作受限于局部窗口，无法捕捉其他位置的信息，而其采样形状是固定的。另一方面，卷积核的大小固定为k×k，呈固定的正方形形状，而参数数量往往随大小呈平方增长。显然，不同数据集和不同位置的目标形状和大小各异。具有固定采样形状和正方形的卷积核不太适应变化的目标。为了解决上述问题，本文探讨了可变核卷积（AKConv），该方法赋予卷积核任意数量的参数和任意采样形状，为网络开销和性能之间提供更丰富的选择。在AKConv中，我们通过一种新的坐标生成算法定义了任意大小卷积核的初始位置。为了适应目标的变化，我们引入了偏移量来调整每个位置样本的形状。此外，我们通过使用相同大小但具有不同初始采样形状的AKConv来探索神经网络的效果。AKConv通过不规则卷积操作完成了高效的特征提取过程，并为卷积采样形状提供了更多的探索选项。在代表性数据集COCO2017、VOC 7+12和VisDrone-DET2021上进行的目标检测实验充分证明了AKConv的优势。AKConv可作为即插即用的卷积操作，取代卷积操作以提高网络性能。