八、可变形卷积网络 （超级详细哦）

1、可变形卷积网络简单介绍

由于构造卷积神经网络 (CNN) 所用的模块（卷积核）中几何结构是固定的，因此，其几何变换建模的能力本质上是有限的。因此，在CVPR 2017年机器视觉顶级会上，MSRA微软亚洲研究院投稿的论文“Deformable Convolutional Networks”中，引入了两种新的模块来提高卷积神经网络 (CNN) 的转换建模能力，即可变形卷积 (deformable convolution) 和可变形兴趣区域池化 (deformable ROI pooling)，它们对传统CNN的卷积层和池化层进行改进，都是基于在模块对空间采样的位置信息，作进一步位移调整的想法，该位移(偏移量)可以在目标任务中学习得到，并不需要额外的监督信号。新的模块可以很方便在现有的卷积神经网络 (CNN) 中取代它们的一般版本，并能很容易进行标准反向传播端到端的训练，从而得到可变形卷积网络 (deformable convolutional network)。大量的实验验证了这种的方法在目标检测和语义分割，这些复杂视觉任务上的有效性。

2、可变形卷积网络的进一步分析

可变形卷积网络(deformable convolutional network)是一种对传统方块卷积核的改进的神经网络，其引入的两个新的模块，大大提高了CNN建模几何变换的能力。下面分别对可变形卷积网络的两个新模型进行讲解。

 可变形卷积模块
可变形卷积模块，它将2D偏移添加到标准卷积中的常规采样网格的位置上，它可以使采样网格自由形变