阅读Improving Convolutional Networks with Self-Calibrated Convolutions

 本论文在研究CNN性能上不在关注模型结构，而是在考虑改进CNN的基本卷积特征变换过程，即自校准卷积。

1.结构

给定一组形状为（C，C，kh，kw）的滤波器组K，其中kh和kw分别是空间高度和宽度，首先将其统一划分为四个部分，每个部分负责不同的功能。 然后将输入X均匀地分成两个部分{X1，X2}，然后将每个部分发送到一个特殊的路径中，用于收集不同类型的上下文信息。在第一种途径中，我们利用{K1，K2，K3}对X1执行自校准操作，得到Y1。在第二个路径中，我们执行一个简单的卷积运算：Y2=F1（X2）=X2∗K1，其目标是保留原始空间上下文。然后将两个中间输出{Y1，Y2}连接在一起作为输出。

2.自校准

（1）概述：在两个不同的尺度空间中进行卷积特征变换，一个原始尺度空间，其中特征映射与输入共享相同的分辨率，以及一个下采样后的小潜在空间。小的潜在空间中，由于其视野较大，因此被用作参考。

（2）过程：给定输入X1，我们采用滤波器大小r×r和步长r的平均池化，下采样

T1上的特征转换基于K2执行，Up（·）是一个双线性插值算法，用作上采样

使用Sigmoid激活函数后，对特征提取校准

 最后，再加一层卷积输出