LDConv：用于改进卷积神经网络的线性可变形卷积

基于卷积操作的神经网络在深度学习领域取得了显著成果，但标准卷积操作存在两个固有缺陷。一方面，卷积操作局限于局部窗口，无法捕获其他位置的信息，且其采样形状固定。另一方面，卷积核大小固定为 k $\times$ k 的方形，参数数量随尺寸呈平方增长。尽管可变形卷积（Deformable Conv）解决了标准卷积固定采样的问题，但其参数数量同样趋于平方增长。针对上述问题，本文探索了线性可变形卷积（LDConv），它赋予卷积核任意数量的参数与任意采样形状，为网络开销与性能之间的权衡提供更丰富选择。在 LDConv 中，定义了一种新颖的坐标生成算法，为任意尺寸的卷积核生成不同的初始采样位置。为适应变化的目标，引入偏移量以调整各位置的采样形状。LDConv 将标准卷积与可变形卷积的参数增长趋势修正为线性增长。此外，它通过不规则卷积操作完成高效特征提取，并为卷积采样形状带来更多探索可能。在代表性数据集 COCO2017、VOC 7+12 和 VisDrone-DET2021 上的目标检测实验充分证明了 LDConv 的优势。LDConv 是一种即插即用的卷积操作，可替代常规卷积以提升网络性能。相关任务代码见 https://github.com/CV-ZhangXin/LDConv。