Deformable Convolutional Networks(可变形卷积)
https://github.com/lixiaolei1982/Deformable-ConvNets
一，《Deformable Convolutional Networks》是一篇2017年Microsoft Research Asia的研究。基本思想也是卷积核的采样方式是可以通过学习得到的。作者提出了两种新的op：deformable convolution和deformable roi pooling，主要是通过给传统卷积采样点加offsets的方式来获得新的采样点。
传统卷积窗口只要训练每个卷积窗口的像素权重参数即可。而可变形卷积网络必须外加一些参数用来训练卷积窗口的形状（各个像素的偏移向量offset）
（a）标准卷积的规则采样网格（绿点）。
（b）变形的采样位置（深蓝点），在可变形卷积中具有增强偏移（浅蓝色箭头）。
（c）和（d）是（b）的特殊情况，表明变形卷积概括了各种尺度变换、（各向异性）纵横比和旋转。
二，Deformable Convolution
offset field就是变形卷积外加的待训练参数，大小和输入层图片大小一样（input feature map）但channel数量为2，分别代表下xy方向的偏移量，卷积窗口在offset field上滑动就呈现了卷积像素偏移的效果，达到采样点优化的效果。
三，Deformable RoI Pooling
在实际使用中，若pooling的目标为一个3 3的featrue map，那么我们需要2×3×3个偏置对应每一个bin，首先将输入的featrue map进行roi pooling为3 3大小的feature，然后通过全连接，输出为每一个bin（输出feature map大小决定bin个数）对应的offset。同时为了保证采样大小，需要对offset进行normalization。
