Deformable CONV

本文深入探讨了Deformable Convolution Networks的概念,包括其如何通过生成偏置来适应不同输入的采样点,以及在3D情况下的应用。此外,还提到了Irregular Convolutional Neural Networks和Spatial Transformer Networks的相关工作,对比了它们与Deformable Convolution的差异。这些技术都旨在提升神经网络对不规则或变形输入的处理能力。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.        Deform CNN

1.1.        Deformable Convolution Networks23

将输入经过卷积,生成一个与输入同样空间大小,2倍于卷积核大小深度的偏置,在卷积过程中对于不同的卷积核与不同的输入,使用相对应的偏置来采样新的点。

 

对于3D情况:

In: NCLHW

 Kernel: C”CL’H’W’

 Out: NC”L”H”W”

 Offset: NCL’H’W’L”H”W”3

Y=WC: 将输入转换为col矩阵,与权重矩阵相乘就是结果

C=SUM(X*G(p,q)): 在转换过程中偏移后的点的值为其临近整数点值的加权平均。

G(p,q): 山峰状

 

1.2.        Irregular Convolutional NeuralNetworks24

多一个参数P来记录卷积核各个点的位置,随着卷积核一起学习,相比于defrom不用添加额外的卷积核。

     文章相比于deform对卷积的细节有更多的描述。

1.3.        STN25

1.4.        ISTN26

相比与STN只做一次变换。

Reference:

23.   Dai,J. et al. Deformable Convolutional Networks. ArXiv Prepr.ArXiv170306211 (2017).

24.   Ma,J., Wang, W. & Wang, L. Irregular Convolutional Neural Networks. ArXivPrepr. ArXiv170607966 (2017).

25.   Jaderberg,M., Simonyan, K., Zisserman, A. & others. Spatial transformer networks. in Advancesin Neural Information Processing Systems 2017–2025 (2015).

26.   Lin,C.-H. & Lucey, S. Inverse Compositional Spatial Transformer Networks. ArXivPrepr. ArXiv161203897 (2016).


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值