@

一、传统CNN结构存在的问题

• 结构固定
• 无法考虑不同区域不同形变的影响
• 计算并非最优化
• 不同任务对卷积的计算有不同的偏好

二、变形卷积

2.1 带孔卷积 Dialted Conv,

用同样的卷积核大小获取更大的感受野

2.2 可变形卷积 Deformable Conv

卷积核不再是矩形

优点

• 解决了卷积的形变问题，令网络学习密集的几何形变变得可能
• 解决了不同大小物体同样感受野带来的小物体检测不准确问题

2.3 深度可分离卷积

2.3.1 Pointwise Convolution

2.3.2 Depthwise Convolution

DW完全是在二维平面内进行。卷积核的数量与上一层的通道数相同，这种运算对输入层的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map

优缺点

• 同样的效果，但是参数量大大减小了
• 对移动端更友好
• 但对GPU可能不是特别友好

变形卷积

原文：https://www.cnblogs.com/long5683/p/14774602.html