今年动态卷积太给力啦！让CNN这棵“老树”又支棱了起来！而且它自带自适应buff，对计算硬件还很友好，在工业界再火五年也完全没问题！
目前来看，这方向理论门槛不高，还容易出增量成果，妥妥的“避险好赛道”。就说今年，顶会顶刊上它依旧吃香，CVPR 2025就有OverLoCK、FDConv，还有清华LSNet（性能超顶），明显没卷到饱和。
而且现在工业落地比刷分实在，只要方法能提效率，短文也能中顶会（比如ICCV的Industry Track）。不过未来可能会更卷，想冲的话就要抓紧了，先跑通OverLoCK这类代码，再往跨模态或轻量化（这俩现在超易出成果）深钻。
这里为了方便大家找思路，我已经10篇动态卷积前沿论文，都是顶会和一区TOP的，需要参考的直接自取！
扫码添加小享，回复“动态CNN”
免费获取全部论文+开源代码
LSNet: See Large, Focus Small
方法：论文提出了一种新型的轻量化视觉网络LSNet，核心是LS卷积。LS卷积通过大核卷积“看大”感知全局，小核动态卷积“聚焦小”聚合细节，高效处理视觉信息，同时保持低计算复杂度。
创新点：
提出LS卷积，结合大核感知和小核动态聚合，模仿人类视觉的“看大聚焦小”策略。 设计LSNet网络架构，基于LS卷积构建轻量化模型，实现高效视觉信息处理。 在多任务中验证LSNet的性能，展现出优越的效率和准确性。
LightAWNet: Lightweight adaptive weighting network based on dynamic convolutions for medical image segmentation
方法：论文提出了一种名为LightAWNet的轻量化医学图像分割网络，主要通过动态卷积实现高效特征提取，同时利用双分支策略分别提取细节和空间特征，并在解码器中使用轻量化上采样和通道注意力机制，进一步优化分割精度。
创新点：
提出基于动态卷积的轻量化网络LightAWNet，自适应调整卷积核权重，提升特征提取能力。 采用双分支策略分别提取细节和空间特征，并通过融合增强特征重用性。 设计轻量化上采样操作替代传统转置卷积，结合通道注意力机制优化分割精度。
扫码添加小享，回复“动态CNN”
免费获取全部论文+开源代码
Dual-branch dynamic hierarchical U-Net with multi-layer space fusion attention for medical image segmentation
方法：论文提出了一种名为D2HU-Net的医学图像分割网络，使用动态卷积自适应调整权重。此外，网络还通过多层空间注意力融合模块和双分支解码路径进一步提高分割精度和模型泛化能力。
创新点：
提出D2HU-Net网络，采用双分支解码路径，浅层解码路径为深层解码路径提供指导，增强模型泛化能力。 引入动态卷积，根据输入数据自适应调整卷积核权重，提升特征提取能力。 设计多层空间注意力融合模块，整合不同尺度特征信息，进一步提高分割精度。
Robust wifi sensing-based human pose estimation using denoising autoencoder and cnn with dynamic subcarrier attention
方法：论文提出了一种基于WiFi感知的人体姿态估计架构，包含去噪器和估计器。去噪器基于自编码器去除噪声，估计器采用动态卷积网络关注信息丰富的子载波，提升特征提取效率。贝叶斯优化用于调整参数以优化性能。
创新点：
提出一种基于WiFi感知的人体姿态估计架构，包含去噪器和估计器，分别用于降噪和姿态估计。 引入动态卷积网络（SDy-CNN），动态关注信息丰富的子载波，提升特征提取效率和姿态估计精度。 使用贝叶斯优化算法自动调整架构参数，优化性能并提高适应性。
扫码添加小享，回复“动态CNN”
免费获取全部论文+开源代码
