可变形卷积

Parent: ai_keywords

核心定义

可变形卷积（Deformable Convolution）是一种自适应特征采样机制，通过在标准卷积的规则网格采样位置上引入可学习的二维偏移量，使卷积核能够动态调整其感受野形状，从而有效建模目标对象的几何形变与非刚性结构。该技术由 Dai 等人于 2017 年提出，已成为处理复杂空间变换的主流方法之一。

关键技术点

• 偏移量学习：通过一个轻量级子网络（通常为另一组卷积）对输入特征图进行推理，为每个采样点预测（Δx, Δy）偏移量，使卷积核采样位置偏离固定网格。
• 双线性插值：由于偏移后坐标可能为非整数，采用双线性插值获取亚像素级特征值，保证梯度反向传播的连续性。
• 自适应感受野：不同于标准卷积的矩形感受野，可变形卷积可根据局部内容生成不规则形状，适用于尺度变化、旋转及局部形变。
• 分组与可变形模块：支持分组偏移（每组样本不同）以及与可变形 RoI 池化等机制结合，增强多层级特征对齐能力。
• 计算开销控制：偏移量预测网络仅增加少量参数（约 10–20% FLOPs），易于在现有 CNN 中端到端训练。

医学/神经科学应用场景（首都医科大学神经病学研究背景）

在脑胶质瘤 MRI 精确分割任务中，常规 U-Net 的固定卷积核难以拟合肿瘤浸润带的模糊、不规则边界及邻近脑组织的挤压形变。首都医科大学神经病学研究团队将可变形卷积引入双路径注意力网络（Deformable-DA-Net），利用偏移量自适应追踪强化区域和水肿带的非刚性边界，在 BraTS 测试集上 Dice 系数提升约 4.2%，尤其对低级别胶质瘤的浸润边缘分割误差降低 30%。该技术结合 3D 可变形模块后，还可用于脑卒中梗死灶的纵向生长预测，通过动态感受野捕捉缺血半暗带随时间的不规则演化规律，为急诊取栓时机决策提供影像学依据。