邹小驴

代码】DRConv-pytorch改称输出和输入一样的尺寸。

首先是对输入进行reshape（采用的是nn.unfold方法---该方法在卷积实现实现中的作用就是在卷积核操作前，先将输入按照卷积核的尺寸大小拉直排列）上图中的红色框图中的第二个图片形式。1.首先卷积核的获得是通过对输入图谱简单的MLP线性转换得到G个大小尺寸K*K（G就是几组不同的卷积核，那么就有C/G个通道是共享同一个卷积核）2.对于重新编写卷积算子的方法采用的是caffe里面的卷积实现思想。①空间上的每一像素点是不一样的卷积核。②每一个通道是不一样的卷积核。②几个通道是共享同一个卷积核。......

讲解就是 ：先将输入进行分组，分完租后，每一个组采用不同的卷积核大小，用深度可分离卷积完成卷积过程缺点：类似inception，分组越多，速度降低越快。只关注参数量降低

【nn.Parameter】Pytorch特征融合自适应权重设置（可学习权重使用）_陈嘿萌的博客-CSDN博客_pytorch 特征融合

浅层特征：浅层网络提取的特征和输入比较近，蕴含更多的像素点的信息，主要为一些细粒度的信息，比如颜色、纹理、边缘、棱角信息。原理：浅层网络感受野较小，感受野重叠区域也较小，所以保证网络捕获更多细节深层特征：深层网络提取的特征离输出较近，蕴含更抽象的信息，即语义信息，主要为一些粗粒度的信息。原理：感受野增加，感受野之间重叠区域增加，图像信息进行压缩，获取的是图像整体性的一些信息。基于内容的图像检索(Content-based Image Retrieval, CBIR)方法利用从图像提取的特征来进行检索。常用的

no

no

no

无

nnn

论文的contrast-aware channel attention module对于IMDB的代码有一些讲解，channel split不是对半平分channel，而是采用：总的channel*ratia，剩余的channel=总的channel - 总的channel*ratia，

无

ddd

Gated Fully Fusion for Semantic Segmentation:DecoupleSegNets/gffnets.py at master · lxtGH/DecoupleSegNets · GitHub

import torchfrom torch import nnfrom torch.nn import functional as Ffrom collections import OrderedDict# 这一部分 完成的是上采样核预测模块， 即论文图中的kernel prediction moduleclass KernelPredictionModule(nn.Module): def __init__(self, input_channel, channel_cm=64,.

关于里面的公式推导：推导过程：是的误差，且满足均匀分布①当时：②当时：关于坐标y方向上的坐标误差也是同样的计算方式

这个部分是：Strip pooling Module（SPM）SPM可以看做是一个Bottleneck部分，类似于residuleclass SPBlock(nn.Module): def __init__(self, inplanes, outplanes, norm_layer=None): super(SPBlock, self).__init__() midplanes = outplanes self.conv1 = nn.Con.