改进前的结果:
改进后的的结果
在添加AKConv能够平均map明显有效涨点,数据集不同有不同的效果,可自行更换位置多多实验
文章目录
前言
基于卷积操作的神经网络在深度学习领域取得了显著成果,但标准卷积操作存在两个固有缺陷。一方面,卷积操作局限于局部窗口,无法捕捉其他位置的信息,其采样形状固定。另一方面,卷积核大小固定为 k × k,形状为固定的正方形,参数数量随大小呈平方增长。显然,不同数据集和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无法很好地适应变化的目标。针对以上问题,本文探讨了可变核卷积(AKConv),赋予卷积核任意数量的参数和任意的采样形状,以提供更丰富的选择,平衡网络开销与性能之间的权衡。在AKConv中,通过新的坐标生成算法为任意大小的卷积核定义初始位置。为了适应目标变化,引入偏移量来调整每个位置的采样形状。此外,还通过使用相同大小但不同初始采样形状的AKConv来探索神经网络的影响。AKConv通过不规则卷积操作完成了高效特征提取过程,并为卷积采样形状带来更多