在DCN v2的论文中,作者使用了非常直观的可视化方向来分析DCN v1的背后原理以及DCN v1的缺陷。DCN v1的问题在于因为引入了偏移模块,导致引入了过多的无关的上下文,而这些无关的上下文对模型是有害的。图6展示的是DCN v1在检测不同大小物体时在感受野分布,采样位置以及最小响应区域的情况。从图中我们可以看出,DC...
在目标检测场景中，识别不同形状的同一物体是一个极具挑战性的工作。为解决这一问题，可变形卷积网络（DCN）系列算法，如DCNv1和DCNv2，被提出以增强模型学习复杂目标不变性的能力。DCNv1核心在于引入可变形卷积（Deformable Conv）和可变形池化（Deformable Pooling）两个模块。其中，可变形卷积通过为卷积...
3.2 Modulated Deformable Modules(在DCNv1基础(添加offset)上添加幅值参数) v1仅仅给普通的卷积的采样点加了偏移,v2在此基础上还允许调节每个采样位置或者bin的特征的amplitude,就是给这个点的特征乘以个系数,如果系数为0,就表示这部分区域的特征对输出没有影响,所以这也是一种调节support region的方法。 可调节的Ro...