🔴（2019.04-arXiv）Res2Net: A New Multi-scale Backbone Architecture【论文原文】【代码】
💡 原理：
- 在残差结构中又添加了新的残差快；
🔴（2019.04-arXiv）OctaveConv: Drop an Octave: Reducing Spatial Redundancy in Convolutional Neural Networks with Octave Convolution【论文原文】【代码】【参考】
💡 原理：
- 将特征图分离成低频信息和高频信息，节省存储和算力；
- 第一层卷积：输入图像默认全部为高频信息；
- 中间层卷积：特征图包含低频和高频信息；
- 最后一层卷积：回复正常特征图。
下图：（作者认为：低频特征图的分辨率仅有高频特征图的一半）
🔴（2019.04-arXiv）ScaleNet:Data-Driven Neuron Allocation for Scale Aggregation Networks【论文原文】【代码】
💡 原理：
- 特征图和感受野大小可以动态分配；
- 初始化，每个尺度的通道数量进行均匀分配，训练网络直至收敛，根据BN层的缩放因子，在满足计算量的前提下，选择其中最重要的一些分支，得到新的网络，重新进行训练该网络。
🔴（2019.07-arXiv）MixConv: Mixed Depthwise Convolutional Kernels【论文原文】【代码】
💡 原理：
- 深度可分离卷积的mix；
- 分组采用不同的卷积核大小进行计算；
- 两种分组方法：等分、指数分割；
- 最后利用NAS搜索出了一个MIxNet网络结构
🔴（2020.06-arXiv）pycov:Pyramidal Convolution:Rethinking Convolutional Neural Networks forVisual Recognition【论文原文】【代码】
💡 原理：
- 包含不同尺寸与深度的卷积核（源于SIFT）；
- 将输入特征分不同的组，进行独立的卷积计算；
- 每组的通道数不同
