Decoupled Dynamic Filter Networks（速读）

大年初一快乐！

过年好！

昨天bb了那么多东西（有点喧宾夺主啦），今天就不多说了，反正要一直成长就好啦~

咱来看看这篇论文

Abstract

我看在一些文章里竟然没有这一个部分的讲解，，，要是我的话这部分是必须看的
可能因为人家只需要看method就可以总结出来了呜呜

这个的Abstract非常巧妙啊！！！

一开始先说传统的卷积有两个主要的缺点：内容不可知和计算量大（Content-sgnostic and Computation-heavy）

然后说自己的DDF可以克服这两个缺点

最后跟resnet对比了一下，还真不错

这个结构其实很不错的，也很常规。

introduction

这个intro里面里面有个图，是对比static filter ，dynamic filter和ddf的，这一块感觉也不是能很看得懂（毕竟才intro）底下的总结感觉有点灌水，所以还是继续看。

底下的实现&实验

（这篇的结构略微有点奇怪？居然没有以method为标题，不过也还结构清楚）

这个图是讲DDF的，很明显每篇都有一个最重要的图及，基本get过这个图就差不多啦

可以看到右边的图片中有个DDF Op,而左边正好是DDF Op，那就先看右边

分为两个分支，左边的是spatial(空间），右边是channel (这里见另一篇博客吧，我这里其实不太能区分它们）
spatial维度上，先用1x1卷积讲channel 数变成k*k,每个空间位置的卷积核参数量是kxkxhxw

而channel上，经过一个GAP+FC，最终得到一个kxkxc

好了，那个DDF Op就是合并空间位置和chnnel 上的卷积核

看左边这个图

空间：
让$h\ast w$代表像素点个数，那么Spactial dynamic filters那一棕色部分就是每个像素点对应的卷积核。将 $k^2$ reshape成 $k\ast k$就是一个大小为 k的卷积核了

对应空间位置的卷积核与对应通道的卷积核做了一个 逐像素相乘（Element-wise ）得到了一个新的卷积核然后在对这个点进行卷积

数据集被可耻地省略掉了QAQ

这篇先这样，我去补一点基础知识