文章轉自同一作者的微信公眾號：【機器學習煉丹術】
- 論文名稱：“Deformable Convolutional Networks”
- 論文連結：https://arxiv.org/abs/1703.06211
0 前言
首先理解：
- deformable Convolution可變卷積針對的物件是卷積本身，因此膨脹卷積，3D卷積都可以用可變卷積的形式
- 本篇文章講解理論和論文，我還沒有用上這個可變卷積測試效果，因為PyTorch好像還沒有封裝這個卷積方式，有點麻煩。所以我計劃下一篇文章結合github上已經有的pytorch復現的可變卷積來做一個簡單的測試。
- 本來我是在學輪廓檢測演算法的，看到了一個SO他的演算法叫做deep snake，然後看了半天程式碼，發現裡面巢狀了DCN，DLA等多個演算法，所以就從頭開始學了。
1 論文概述
論文中作者最大的貢獻為：
- 提出了可變卷積，可變卷積網路為Deformable ConvNet（DCN）。
- 用同樣的原理提出了可變池化層，叫做deformable ROI pooling。
- 這兩個模組可以非常簡單的用在其他網路結構中，並且不會增加很多的引數，但是效果還是不錯的。（論文把這個方法用在了主流模型中）。
這個核心貢獻在於，為什麼卷積過程中卷積核一定要是正方形的？我的檢測目標各種形狀都有，為什麼卷積核一定要是正方形的呢？
因此，這裡的卷積核不再是正方形了，而是可以通過梯度下降更新的引數了：
a圖就是最基本的卷積核，b就是可變卷積的卷積核，c和d是可變卷積的特殊情況。聽起來不難吧，原理確實非常的簡單。
2 實現原理
上圖是表示可變卷積過程的。大概看一眼這個圖，不難發現這種結構似乎和SEnet有點類似。在下一篇的程式碼實戰中再考慮如何實現這個過程把。
泛泛地說的話，就是這個特徵圖，再額外的經過一個卷積層，生成一個offset的結果，然後把這個offset和這個特徵圖融合。
3 實驗結果
論文中提到，在特徵提取網路的後面3層使用可變卷積的效果比較好。
上圖是在實際任務中，deformable convnets學習到的取樣點，我認為這是一種非常有意思的可解釋性的體現。
上表中最後三行體現了這個可變卷積的效果，確實是不錯，確實有一定提升，那麼這種可變卷積對與引數量的影響大嗎？
可以看到，這個引數的影戲那個微乎其微，執行時間也基本差不多。我決定等我復現了這個可變卷積之後，我在以後的模型中都要用這個試試能不能有提升。（奇怪的奇技淫巧又增加了）。
大概就這麼多，從理論上看，這個deformable convolution不難，關鍵是如何實現，希望我在復現的過程上不會太坎坷。
參考文章：