前一篇博文写过关于形变卷积的部分，但是写的比较粗略，故再来分析、整理一下形变卷积相关知识。
- 因为网络最终用的形变卷积，所以是非看不可。
- 好读书，不求甚解。 不愧是我
初衷
适应几何变换
传统卷积卷积核是正方形，扫描不规则图形也只能用方形区域，而实际任务中，很多东西都不是规则的，例如生物、汽车等。传统卷积核无法适应比较大的变换，故提出了可以变形以适应几何变换的形变卷积。
卷积过程计算
- 传统卷积计算
其中，p0表示输出特征图的一个点；pn则是卷积核的坐标。
- 形变卷积计算
其中。最后加了一项delta 表示偏移量， 取值从1-N，N是卷积核尺寸。
这里P0表示输出特征图的点，之所以pn要加p0，因为是3X3卷积核，原始图片9个像素对应新特征图一个像素。
2020-8-19更新
- 采样
此时采样的点加了一项delta, 可能是小数，因此需要用插值算法来确定采样位置，此处应用的是双线性插值来确定采样的位置，如下：
大致意思是 ：先枚举输入特征图x所有的点q，用插值核G做个运算再乘以x(q).
总之这一步就是确定位置。之前看过有关书上讲解双线性采样的问题，可以用公式直接算出来，这边看的不是很明白，但是没那么重要。
从形变卷积公式可以看出，需要学习的参数有两个：卷积核的weight，偏移量
Delta, 偏移量显得至关重要
- 反向传播学习
偏移量梯度即在上述计算公式中有偏移量这一项的都计算微分。
输出特征图尺寸计算
形变卷积与普通卷积无异，输出特征图尺寸计算需要先知道卷积核大小，再根据公式来计算。卷积核大小与是否使用空洞有关系。
- 空洞卷积卷积核尺寸计算
r 为空洞率， r=1时卷积核尺寸不变，故Pytorch
nn.Conv2D默认 dilated=1.这里吐槽一下，看了三四个人写的博客，都说dlitated=1表示注入一个空洞，这是错的。不可信！
- 特征图尺寸计算
把空洞卷积卷积核带进去即可。
关于卷积
理论上，卷积核感受野随着卷积层的增加而线性增加；
事实上，有效的感受野是呈高斯分布，即一个卷积核中心的区域的比较有效。
因此实际中，有效的感受野随着卷积层的增加呈平方根增加，是远远不够的。空洞卷积恰好处理这个问题。
2020.7.13更新！
FRY
2020-8-19 第二次更新
Deformable Convolution V2
可形变卷积V2版本，给原始每个偏移的采样点加入了权重，即：
K表示采样位置；最后多了一项每个采样像素权重的控制。
有个地方需要注意：
V1和V2版本，
Offsets输出通道数均为2K, 因为每个点偏移需要x，y两个分量来表示，故用2个通道V2版本中输出通道数为
K，每个点一个权重，故一共K个权重
