Deformable Convolution 可变形卷积

  可变形卷积概念出自2017年论文：Deformable Convolutional Networks

  顾名思义，可变形卷积的是相对于标准卷积的概念而来。

(a) 一个经典的 $3\times 3$ 卷积，每一个卷积输入的都是绿色的部分。
(b) Deformable Convolution，虽然也是做这九个点的卷积，但是这个卷积具体采在这个像素的位置是可以变化的，所以叫做 deformable。 那么变形的量是通过学习根据输入数据得出的。其中图 c 和 d 是两种特殊的情况。

为什么要可变形卷积？

  我们知道卷积核的目的是为了提取输入物的特征。我们传统的卷积核通常是固定尺寸、固定大小的（例如3x3，5x5，7x7.）。这种卷积核存在的最大问题就是，对于未知的变化适应性差，泛化能力不强。

  卷积单元对输入的特征图在固定的位置进行采样；池化层不断减小着特征图的尺寸。网络内部缺乏能够解决这个问题的模块，这会产生显著的问题，例如，同一 CNN 层的激活单元的感受野尺寸都相同，这对于编码位置信息的浅层神经网络并不可取，因为不同的位置可能对应有不同尺度或者不同形变的物体，这些层需要能够自动调整尺度或者感受野的方法。再比如，目标检测虽然效果很好但是都依赖于基于特征提取的边界框，这并不是最优的方法，尤其是对于非网格状的物体而言。

解决上述问题最直观的想法就是，我们的卷积核可以根据实际情况调整本身的形状，更好的提取输入的特征。

可形变卷积采样点可视化：经过三层 3x3 卷积后的采样点分布。

可变形卷积理论？

（1）首先声明一点，在可变形卷积中，可变形卷积操作和池化操作都是2维的，都是在同一 channel 上进行的，常规的卷积操作主要可以分为两部分：（1）在输入的 feature map 上使用规则网格 $\mathcal{R}$ 进行采样；（2）进行加权运算，$\mathcal{R}$ 定义了感受野的大小和扩张

对于在输出的 feature map 上的每个位置 ${\mathbf{p}}_0$,通过下列式子进行计算：
$$\begin{gathered} y({\mathbf{p}}_0)=\sum _{{\mathbf{p}}_n\in \mathcal{R}}\mathbf{w}({\mathbf{p}}_n)\cdot \mathbf{x}({\mathbf{p}}_0+{\mathbf{p}}_n) \\ \mathcal{R}=\{(-1,-1),(-1,0),\cdots ,(0,1),(1,1)\} \end{gathered}$$
其中，${\mathbf{p}}_n$ 是对 $\mathcal{R}$ 中所列位置的枚举，它就是相对于 ${\mathbf{p}}_0$ 这个像素点距离这个 kernel 中心的偏移，权重为 $\mathbf{w}(\cdot )$。
对于普通的卷积，对于计算点 $y({\mathbf{p}}_0)$ 的特征值，它就是使用了 $y({\mathbf{p}}_0)$ 及其周边像素的一个加权和。

如果我们使用 $3\times 3$的卷积，如下图所示：

$5\times 5$ 的卷积如下图所示：

(2) Deformable Convolution：

可变形卷积的操作是不同的，在可变形网络的操作中，常规的规则网格 $\mathcal{R}$ 通过增加一个偏移量进行扩张，同样的位置 ${\mathbf{p}}_0$ 变为：
$$y({\mathbf{p}}_0)=\sum _{{\mathbf{p}}_n\in \mathcal{R}}\mathbf{w}({\mathbf{p}}_n)\cdot \mathbf{x}({\mathbf{p}}_0+{\mathbf{p}}_n+\Delta {\mathbf{p}}_n)$$

现在，采样的位置变成了不规则位置，由于偏移量 $\Delta {\mathbf{p}}_n$ 通常是小数，因此我们通过双线性插值法进行实现，公式为：
$$\begin{gathered} \mathbf{x}(\mathbf{p})=\sum _{\mathbf{q}}G(\mathbf{q},\mathbf{p})\cdot \mathbf{x}(\mathbf{q}),\mathbf{p}={\mathbf{p}}_0+{\mathbf{p}}_n+\Delta {\mathbf{p}}_n, \\ G(\mathbf{q},\mathbf{p})=g({\mathbf{q}}_x,{\mathbf{p}}_x)\cdot g({\mathbf{q}}_y,{\mathbf{p}}_y), \\ g(a,b)=\max (0,1-\Vert a-b\Vert ). \end{gathered}$$

拓展：双线性插值
首先看，双线性插值的作用，对图像进行缩放。假设原图像大小为 $m\times n$，目标图像的大小为 $a\times b$，那么两幅图像的边长比为 $m/a,n/b$。注意，通常这个比例不是整数，而非整数的坐标是无法在图像这种离散数据上使用的。双线性插值通过寻找距离这个对应坐标最近的四个像素点，来计算该点的值。比如，对应的坐标为（2.5，4.5），那么最近的像素是（2，4）（2，5）（3，4）（3，5）
若图像为灰度图像，那么 $(i,j)$ 的灰度值可以通过以下公式计算：
$$f(i,j)=w1\ast p1+w2\ast p2+w3\ast p3+w4\ast p4$$
其中，$p_i,i=1,2,3,4$ 为最近的四个像素点，$w_i,i=1,2,3,4$为各点相应权值。

可变形卷积结构形式？

注意：这里有一个非常非常非常容易混淆的点，所谓的deformable，到底deformable在哪？很多人可能以为deformable conv学习的是可变形的kernel，其实不是不是不是！本文并不是对kernel学习offset而是对feature的每个位置学习一个offset。

各部分维度如下：
input feature map:(batch, H, W, C)
output feature map: (batch, H, W, N)
offset field: (batch, H, W, 2N)

  offset field 通过在原图上进行标准卷积操作得到，通道数为2N表示N个2维的偏置量 ($\Delta$x ，$\Delta$ y) ，N 表示卷积核的个数即输出特征层的通道数。

  形变卷积过程可以描述为：首先在输入feature map上进行标准卷积得到N个2维的偏置量 ($\Delta$x ，$\Delta$y)，然后分别对输入feature map上各个点的值进行修正（设 feature map为 P，即 P(x, y）= P(x + $\Delta$x ， y + $\Delta$y) ，当 x + $\Delta$ 为小数时，使用双线性插值计算 P( x + $\Delta$x ，y + $\Delta$y) ）。形成 N个 feature map，然后使用 N 个卷积核一一对应进行卷积得到输出。

公式：