简介：
1.该教程提供大量的首发改进的方式，降低上手难度，多种结构改进，助力寻找创新点！
2.本篇文章对Pointnet++特征提取模块进行改进，加入WTConv2d，提升性能。
3.专栏持续更新，紧随最新的研究内容。

目录

1.理论介绍

2.修改步骤

2.1 步骤一

         2.2 步骤二

         2.3 步骤三

---

1.理论介绍

近年来，人们一直试图增加卷积神经网络(cnn)的核大小，以模拟视觉变形者(ViTs)的全局接受场自注意块。然而，这种方法在达到全局接受场之前很快就达到了上限和饱和。在这项工作中，我们证明了通过利用小波变换(WT)，实际上可以在不受过度参数化影响的情况下获得非常大的接受域，例如，对于k × k的接受域，所提出的方法中可训练参数的数量仅随k呈对数增长。所提出的层，称为WTConv，可以用作现有架构中的临时替代品，产生有效的多频响应。并随着接受野的大小优雅地缩放。我们展示了在ConvNeXt和MobileNetV2架构中用于图像分类的WTConv层的有效性，以及用于下游任务的骨干，并展示了它产生额外的属性，例如对图像损坏的鲁棒性和对纹理形状的响应增加