Kernel-aware dynamic convolution for dense prediction

Gaoge Han

doi:10.1016/j.patcog.2025.112131

Kernel-aware dynamic convolution for dense prediction

2025-07-11

0

PRE

AI

DOI：10.1016/j.patcog.2025.112131

原文链接

原文求助

摘要

En 中文

近期提出的动态卷积方法在可学习权重上实现了动态性，已被证明能够增强表示能力。然而，它们的动态设计只能针对特定问题。在本文中，我们提出了一种新的卷积方法，称为Kernel-aware Dynamic Convolution（KDConv），它将动态性扩展到应用的核上，以明确地采用统一方式解决常见的视觉空间几何变换和尺度变化问题。具体而言，KDConv通过一个核感知模块，在每个空间位置自适应地确定滤波器池中最适合的核。在滤波器池中，我们设置了具有不同大小和偏移参数的多个共享滤波器。核感知模块构建了这些核之间的依赖关系，并生成了用于选择的索引图。我们针对核感知的动态大小和偏移的设计，特别有利于密集预测，包括目标检测和实例分割。大量实验表明，KDConv在现有最先进的动态卷积方法上取得了显著的性能提升。

Keyword:

dynamic convolution

kernel-aware module

filter pool

kernel selection

dense prediction

Kernel-aware dynamic convolution for dense prediction

摘要

期刊

机构

引用论文