1. SAConv介绍

1.1 摘要： 许多现代物体检测器通过使用三思而后行的机制表现出出色的性能。 在本文中，我们在目标检测的主干设计中探索了这种机制。 在宏观层面，我们提出了递归特征金字塔，它将特征金字塔网络的额外反馈连接合并到自下而上的骨干层中。 在微观层面，我们提出了可切换空洞卷积，它将具有不同空洞率的特征进行卷积，并使用开关函数收集结果。 将它们结合起来就形成了 DetectoRS，它显着提高了目标检测的性能。 在 COCO test-dev 上，DetectoRS 在目标检测方面实现了最先进的 55.7% 框 AP，在实例分割方面实现了 48.5% 的掩模 AP，在全景分割方面实现了 50.0% PQ。

官方论文地址：https://arxiv.org/pdf/2006.02334

官方代码地址：https://github.com/joe-siyuan-qiao/DetectoRS

1.2 简介

Switchable Atrous Convolution (SAC)的模块将标准的3x3卷积层转换为具有不同扩展率的可切换卷积。这种转换通过引入一个可训练的差异来实现，其中一部分权重是锁定的，以确保在从预训练模型加载时不产生任何实