可变形卷积、空洞卷积（能使感受野更大的特殊卷积核）

最新推荐文章于 2024-07-19 14:43:16 发布

原创最新推荐文章于 2024-07-19 14:43:16 发布 · 1k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #机器学习

文章介绍了可变形卷积，它通过学习偏移量使感受野适应物体形状；空洞卷积则在不增参数的情况下增大感受野，同时保持图像分辨率。这两种技术都提升了卷积神经网络的性能和效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一：可变形卷积：在感受野中引入了可学习的偏移量，能够使得感受野不再是死板的方形，而是与物体的实际形状贴近，偏移之后的卷积区域可以更好地去覆盖物体形状周围。下图展示了一个 $3\times 3$ 的标准卷积与可变形卷积的感受野差别。

图（a）表示原始的卷积，它的感受野是一个固定大小的正方形，即计算卷积时会在图中深绿色的点进行采样；图（b）则是一个可变形卷积，绿色箭头代表了采样点的偏移量，深蓝色的点代表偏移后的采样点，可见此时卷积核的感受野不再是一个固定的方形，而是通过偏移来任意变换；图（c）、（d）分别是可变形卷积的特殊情况，说明了可变形卷积可以让感受野产生了各种比例、各个方向、异形长宽比和旋转的变换。

二：空洞卷积：空洞卷积在普通卷积的基础上加入了空洞率，使其能够在不增加网络参数量的情况下提升网络的感受野。下图展示了空洞卷积与普通卷积的区别。

图（a）是普通的 $3\times 3$ 卷积核，图（b）是一个空洞参数为 2（参与计算的相邻元素之间的距离）的 $3\times 3$ 空洞卷积核，这个空洞卷积核其实是一个不连续的 $5\times 5$ 普通卷积核，除了中间带红点的位置权值不为 0 并参与卷积计算外，其他点的权值均为 0，对卷积计算结果不会做出贡献。

因此，空洞卷积具备如下两个优势：

（1）扩大感受野：使用空洞卷积可以使得参数量相同的情况下，增加卷积的感受野，原本 $3\times 3$ 的卷积核只能覆盖面积为9的区域，而相同参数量的空洞卷积则可以覆盖面积为 25 的感受野。且随着空洞参数的提升，感受野会进一步的増大，起到了原本池化层的作用。

（2）保持图像分辨率：由于空洞卷积可以认为是稀疏的普通卷积，在运算过程中可以通过 padding 操作使得输出特征图尺寸与输入特征保持一致。从而在图像分割或检测任务中，避免了下采样和上采样带来的信息损失。