CNN又火了！连续多篇成果登顶CVPR、ECCV等顶会！最新idea开创性提出“风车形卷积”，在红外小目标检测任务中，不仅性能远超SOTA，参数量也狂跌！
这主要得益于，其在提高模型特征提取能力、降低计算复杂度方面有着不可替代的优势。比如模型Weak-Mamba-UNet，便实现了准确率近100％的效果！具体来说：CNN能够自动学习特征，无需手动设计特征提取器，通过卷积层和池化层的交替堆叠，就能提取到更具有代表性的特征。且其参数共享和稀疏连接的方式，对减少参数量和计算量大有裨益！
更特别的是，其不仅能作为大的创新点独立发文，还是涨点利器。我们可以从构建新卷积核；针对特定场景优化；与其他技术结合等入手来做。
为方便大家研究的进行，每种创新方向我都给大家整理了参考论文和源码，共34篇。
扫描下方二维码，回复「34卷积」
免费获取全部论文合集及项目代码
CNN自身创新
风车形卷积
Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection
内容：本文提出了一种用于红外小目标检测的新型卷积模块（和基于尺度的动态损失函数。PConv通过模仿红外小目标的高斯空间分布特性，增强了底层特征提取能力并显著扩大了感受野，同时仅引入了少量额外参数。SD Loss则根据目标尺寸动态调整尺度和位置损失的影响权重，提高了网络对不同尺度目标的检测能力。
大核卷积
LSKNet: A Foundation Lightweight Backbone for Remote Sensing
内容：本文提出了一种轻量级的LSKNet作为遥感图像处理的基础骨干网络。LSKNet通过动态调整大空间感受野来更好地建模遥感场景中不同目标所需的长程上下文信息。该网络在遥感图像分类、目标检测和语义分割等任务上均取得了新的最高水平表现，并在11个标准数据集上验证了其有效性。此外，文章还分析了遥感图像中不同目标类别对上下文信息的需求差异，证明了LSKNet设计的合理性。
扫描下方二维码，回复「34卷积」
免费获取全部论文合集及项目代码
CNN与其他技术结合
CNN+Transformer
SCTNet: Single-Branch CNN with Transformer Semantic Information for Real-Time Segmentation
内容：本文提出了一种名为 SCTNet的新型实时语义分割网络。SCTNet 通过在训练阶段引入一个基于 Transformer 的语义分支来提取长距离上下文信息，并将其与单分支 CNN 对齐，从而在不增加额外推理计算成本的情况下实现高效的语义分割。
CNN+小波变换
Wavelet Convolutions for Large Receptive Fields
内容：本文提出了一种名为 WTConv的新型卷积层，旨在通过小波变换显著扩大卷积神经网络（CNNs）的感受野，同时避免过度参数化。WTConv 能够在不增加过多参数的情况下实现非常大的感受野，其参数数量仅随感受野大小的对数增长。该方法在图像分类、语义分割和目标检测等任务中展现出良好的性能，并具有对图像干扰的鲁棒性和对形状的高响应能力。
CNN+注意力
EMCAD:Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
内容：本文介绍了一种名为 EMCAD 的高效多尺度卷积注意力解码器，专为医学图像分割设计。EMCAD 旨在优化性能和计算效率，通过独特的多尺度深度可分离卷积块和通道、空间以及分组（大核）门控注意力机制，显著提升了特征图的质量，并在多种医学图像分割任务中实现了高精度和低计算成本。
CNN+Mamba
CM-UNet: Hybrid CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation
内容：本文提出了一种名为 CM-UNet 的新型混合卷积神经网络（CNN）和 Mamba 架构的 UNet，用于遥感图像的语义分割。CM-UNet 结合了 CNN 编码器用于提取局部图像特征，以及基于 Mamba 的解码器用于聚合和整合全局信息，从而高效地完成遥感图像的语义分割任务。
扫描下方二维码，回复「34卷积」
免费获取全部论文合集及项目代码
