可变形卷积 DCNv2/v3：会走位的摄影师团队

CH-08-02-021·约 17 分钟·AI应用领域·更新 2026-08-11

想象你是一家杂志社的摄影总监，要派一支 9 人团队去拍摄一场户外时装秀。最初方案很简单：9 位摄影师站成一个正方形方阵，间距固定，只拍正前方。模特一走位、裙摆被风吹起、镜头里出现路人——大部分照片都拍歪了。于是你开始升级团队：第一版，给每位摄影师配上对讲机，他们学会看取景器，灵活移动到模特最上镜的角度，照片质量飙升；第二版，你发现有些位置拍回来的全是背景路人，于是给每张照片加一个“信任分”，低分照片的贡献被压缩到最低；第三版，你精简了团队流程，让几位摄影师共享一个移动方案，减少沟通成本；第四版，你换上经验老道的街拍摄影师，他们不需要复杂讨论，看一眼就知道该往哪儿站。这套“让摄影师灵活走位”的打法，就是深度学习里大名鼎鼎的可变形卷积（Deformable Convolution）。它让卷积核不再死板地按固定网格取数，而是学会为每个采样点学习一个偏移量，从而自适应地贴合图像中发生几何形变的物体。本文就用这支摄影团队的升级故事，带你从 v1 走到 v4，彻底看懂可变形卷积的进化逻辑。

岗位关联

对 AI 从业者而言，可变形卷积是处理目标旋转、尺度变化、形变等几何问题的核心武器。掌握它的演进思路——偏移学习、调制抑制、简化归一化——能帮你在检测、分割等实际项目中找到更优的解决路径。

可视化演示
标准卷积局限
核心思想
DCNv1偏移学习
DCNv2调制因子
DCNv3简化设计
DCNv4工程优化
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化处理流程：输入→处理→模型→输出性能监控：实时指标 P=L×T

标准卷积局限

还记得那支 9 人摄影团队吗？最初方案是让每个人都站在固定方格点上，间距 45 厘米，绝不移动。这个方案的最大问题是：模特不会乖乖站在方格正中央。当模特转身、弯腰、走动时，方格点对应的位置常常是背景路人或空气，拍出来的照片自然“对不上焦”。

在卷积神经网络里，这个“固定方格点”就是采样网格。标准卷积用 3×3 的固定网格在特征图上滑动，每个输出像素只聚合网格位置上的输入值。问题是，真实世界中的物体千姿百态——汽车有不同朝向、人脸有不同角度、器官有不同形变。固定网格就像一个焊死的取景框，遇到几何变化时，采样点就会落在物体之外，导致特征丢失。同时，标准卷积的感受野形状也是固定的矩形，无法根据物体形状动态调整。

用数学语言描述，标准卷积在位置 $p_0$ 处的输出为：

这套固定网格的机制在物体规整的数据集上表现不错，但一旦物体发生旋转、拉伸，或者存在遮挡，9 个点里就有好几个“拍空”。摄影总监意识到：与其让团队死守方格，不如让他们学会走位。这便引出了可变形卷积的核心思想。

y(p_0) = \displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n)

这个公式可以理解为：输出照片的某个像素，等于 9 个固定站位点拍到的画面乘以各自的权重后加起来。

输出位置 $y(p_0)$卷积核滑动到 $p_0$ 处时产生的输出特征值，相当于最终照片上某个像素的亮度。
$y(p_0)$
固定网格集合 $\mathcal{R}$3×3 网格的 9 个相对位置，如 $(-1,-1)$、$(0,1)$ 等，相当于摄影师的 9 个固定站位。
$\mathcal{R} = \{(-1,-1), (0,-1), (1,-1), (-1,0), (0,0), (1,0), (-1,1), (0,1), (1,1)\}$
采样加权求和 $\sum w \cdot x$把每个站位拍到的像素值乘以对应权重再求和。权重是训练得到的，相当于每个摄影师的“出片质量系数”。
$\displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n)$

核心思想

摄影总监做了一个大胆决定：不再规定摄影师的站位，而是给每人发一个“移动指令”。这个指令告诉他们——“你往左移 3 厘米，往上移 2 厘米”。于是，9 个摄影师可以根据现场情况自由调整位置，原本四四方方的方阵变成了一朵不规则的“云”，紧紧包裹住移动中的模特。

这个“移动指令”就是可变形卷积中的偏移量。每个采样点不再固定在 $p_0 + p_n$，而是移动到一个新位置：$p_0 + p_n + \Delta p_n$。这里的 $\Delta p_n$ 就是第 $n$ 个采样点学到的偏移。偏移量让卷积核的采样形状从固定矩形变成任意不规则形状，从而自适应地贴合物体的几何结构。

可变形卷积的数学表达为：

细心的读者会问：偏移量 $\Delta p_n$ 是浮点数，可图像像素坐标是整数，怎么“取”一个非整数位置上的像素值呢？这就要说到 DCNv1 的双线性插值了。

y(p_0) = \displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n + \Delta p_n)

公式本质上只加了一项 $\Delta p_n$，却让卷积核从“焊死的取景框”变成了“自由走位的摄影师”。

偏移量 $\Delta p_n$每个采样点额外学到的二维位移（水平和垂直各一个分量），由网络根据输入内容自动预测。
$\Delta p_n = (\Delta x_n, \Delta y_n)$
偏移后的采样位置采样点从固定站位 $p_0 + p_n$ 挪到 $p_0 + p_n + \Delta p_n$，这一挪让网格形状随物体形变而改变。
$p_0 + p_n + \Delta p_n$
加权求和权重仍然乘以偏移后位置的像素值，与标准卷积形式相同，只是采样坐标变了。
$\displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n + \Delta p_n)$

DCNv1偏移学习

摄影师虽然拿到了移动指令，但他怎么知道往哪儿走？答案是：看取景器里的预判。团队给每位摄影师配了一个小型“预判装置”——它扫一眼当前画面，迅速给出建议的移动方向。这个预判装置，在 DCNv1 中就是偏移网络。

偏移网络通常是一个标准卷积层，输入是当前特征图，输出是每个位置 9 个采样点的偏移量（共 18 个通道，每个点一个 dx 一个 dy）。它和主网络一起端到端训练，目标函数会告诉它：偏移到什么位置能让最终分类或检测损失最小。

但偏移量是浮点数，比如 (3.4, -1.2)，图像里没有“第 3.4 列”这个像素。怎么办？DCNv1 用双线性插值来解决：取该位置周围四个整数像素，按距离加权平均。这就像摄影师站在 3.4 米处拍照，虽然不在整数刻度上，但可以从 3 米和 4 米两个点的画面中按比例合成。

双线性插值的公式如下：

双线性插值不仅让前向计算可行，更重要的是它处处可导——偏移量的微小变化会引起插值结果的连续变化，因此梯度可以顺利回传到偏移网络。这就像对讲机里传来反馈：“你往左走 0.5 米照片更清晰”，摄影师能根据反馈微调自己的位置。DCNv1 因此实现了端到端训练。

x(p) = \displaystyle\sum_{q} G(q, p) \cdot x(q), \quad G(q,p) = \max(0, 1-|q_x - p_x|) \cdot \max(0, 1-|q_y - p_y|)

插值核 $G$ 像一个“距离加权器”：离目标位置越近的整数像素，贡献越大；距离超过 1 个像素，贡献为 0。

插值目标 $x(p)$位置 $p = (p_x, p_y)$ 处的像素值，$p$ 是浮点坐标，不能直接从图像中索引。
$x(p)$
遍历周围像素求和 $\sum_q G(q,p) \cdot x(q)$对所有整数像素位置 $q$ 求加权和，但由于核函数的截断性，实际只有周围 4 个像素参与计算。
$\displaystyle\sum_{q} G(q, p) \cdot x(q)$
双线性核 $G(q,p)$水平和垂直方向的线性衰减相乘。若 $q$ 与 $p$ 水平距离超过 1，则 $\max(0, 1-|q_x-p_x|)=0$，该像素被忽略。
$G(q,p) = \max(0, 1-|q_x - p_x|) \cdot \max(0, 1-|q_y - p_y|)$

DCNv2调制因子

第一版升级后，照片质量提升了不少。但摄影总监又发现一个新问题：有些摄影师虽然会走位，却总爱拍一些无关的路人、飞鸟、背景树。这些画面既不是模特，也不是秀场主题，混进照片里反而干扰了整体效果。

于是总监给每张照片加了一个“信任分”——如果这个位置拍到的内容与任务无关，信任分就低；如果拍到了关键细节，信任分就高。最终合成照片时，每张照片的贡献都要乘以它的信任分。这个信任分，就是 DCNv2 引入的调制因子 $\Delta m$。

DCNv2 的调制因子有两个特点：一是取值范围被限制在 0 到 1 之间（通过 Sigmoid 激活实现），相当于“百分制信任分”；二是它由网络根据输入内容动态预测，与偏移量共享同一个预测分支。这样，模型不仅能决定“往哪儿走”（偏移），还能决定“这个位置值不值得信任”（调制）。

DCNv2 的完整公式变为：

引入调制因子后，模型能自动识别并抑制背景、遮挡等无关区域，让卷积核把注意力集中在真正的目标上。实验中，这一改动显著提升了检测和分割的精度。但与此同时，预测偏移量和调制因子的额外网络也带来了计算开销——于是 v3 开始做减法。

y(p_0) = \displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n + \Delta p_n) \cdot \Delta m_n, \quad \Delta m_n \in [0,1]

调制因子相当于给每个采样点的输出“调音量”：有价值的区域音量调大，无关区域音量调小甚至静音。

调制因子 $\Delta m_n$第 $n$ 个采样点的信任分，由 Sigmoid 函数压缩到 0 到 1 之间。
$\Delta m_n \in [0, 1]$
逐点加权 $\cdot \Delta m_n$每个采样点的特征值在参与求和前，先乘以对应的信任分，从而降低低质量位置的干扰。
$x(p_0 + p_n + \Delta p_n) \cdot \Delta m_n$
聚合求和所有采样点经过“偏移取数 + 信任加权”后求和，得到最终输出。
$\displaystyle\sum_{p_n \in \mathcal{R}} w(p_n) \cdot x(p_0 + p_n + \Delta p_n) \cdot \Delta m_n$

DCNv3简化设计

第二版的摄影团队虽然出片质量高，但管理成本也上去了：9 个摄影师，每人一套独立对讲系统、独立预判装置，沟通起来一团乱麻。摄影总监决定精简组织架构：把 9 人分成 3 个小组，每组共享一套移动方案，由调度台统一指挥。这样一来，需要沟通的指令从 9 套降到了 3 套。

DCNv3 正是沿着“分组共享”的思路简化。它把采样点分成若干组（group），同一组内的采样点共享同一个偏移量，从而大幅减少偏移参数。同时，偏移量改由深度可分离卷积生成，相比 v2 中独立的全卷积偏移网络更加轻量。此外，v3 借鉴了注意力机制的思想，为每个采样点引入权重并进行 Softmax 归一化，保证同一组内权重之和为 1，让训练更稳定。

DCNv3 的公式可以写成（以分组形式）：

DCNv3 的分组和共享策略显著提升了推理效率，让可变形卷积得以应用在更大的模型和更高分辨率的任务中。不过，Softmax 归一化虽然带来稳定训练，却也引入了额外的指数运算——在追求极致效率的工程师眼里，这仍然是可以优化的“多余动作”。

y(p_0) = \displaystyle\sum_{g=1}^{G} \sum_{k=1}^{K} w_{g,k} \cdot x_g(p_0 + p_k + \Delta p_{g,k})

这里 $G$ 是分组数，$K$ 是每组采样点数。组内共享偏移、权重归一化，相当于“一个调度台指挥一组摄影师”。

分组外层求和 $\sum_{g=1}^{G}$对 $G$ 个采样点组分别计算，再汇总。
$\displaystyle\sum_{g=1}^{G}$
组内采样求和 $\sum_{k=1}^{K}$每组内有 $K$ 个采样点，各自带独立的偏移量 $\Delta p_{g,k}$。
$\displaystyle\sum_{k=1}^{K} w_{g,k} \cdot x_g(p_0 + p_k + \Delta p_{g,k})$
归一化权重 $w_{g,k}$权重经 Softmax 归一化，同组权重和为 1，控制了每个采样点的相对贡献。
$w_{g,k} = \frac{\exp(z_{g,k})}{\sum_{k'} \exp(z_{g,k'})}$

DCNv4工程优化

到了第四版，摄影总监换上了一批经验丰富的街拍摄影师。他们不需要预判装置、不需要对讲机里的复杂公式，扫一眼现场就知道该站在哪里。更重要的是，他们几乎不做任何“归一化讨论”——不再开会协商每张照片的权重比例，凭直觉直接拍摄。团队效率因此大幅提升。

DCNv4 的核心理念就是：去掉 Softmax 归一化。研究发现，DCNv3 中 Softmax 的归一化约束并不是精度所必需的，反而带来了指数运算和额外的访存开销。DCNv4 让权重直接由网络预测（不做归一化），简化了计算图。同时，v4 在工程层面做了大量优化：重排内存访问顺序、融合算子、减少 DRAM 读写，让可变形卷积在 GPU 上的运行速度大幅提升，甚至超过了同等规模的注意力模块。

DCNv4 的简化公式为：

DCNv4 在目标检测、实例分割等密集预测任务上取得了显著优于标准卷积和部分注意力模块的成绩，同时保持了接近标准卷积的推理速度。回头看这四代升级：v1 学会走位，v2 学会取舍，v3 学会分工，v4 学会简化——一支摄影团队从笨拙的固定方阵，进化成了高效精准的街拍大师。

y(p_0) = \displaystyle\sum_{k=1}^{K} w_k \cdot x(p_0 + p_k + \Delta p_k)

对比 v3，去掉了 Softmax 归一化，保留“偏移取数 + 动态权重”，用更少的操作实现了同样的自适应能力。

动态权重 $w_k$每个采样点的权重直接由网络输出，不再经过 Softmax 约束，减少了一次指数运算和归一化除法。
$w_k$
偏移采样 $x(p_0 + p_k + \Delta p_k)$与 v1 相同的偏移采样机制，保证卷积核贴合物体形状。
$x(p_0 + p_k + \Delta p_k)$
加权求和权重与采样值相乘后求和，操作链条更短，硬件实现更高效。
$\displaystyle\sum_{k=1}^{K} w_k \cdot x(p_0 + p_k + \Delta p_k)$

AI 应用场景

工业质检中的缺陷检测

阶段：模型训练与推理

解决的问题：流水线上的工件形状多样，表面缺陷（划痕、凹陷、污渍）的位置和方向随机。传统标准卷积用固定网格采样，遇到倾斜或旋转的工件时，采样点常落在背景区域，检测精度不稳定。可变形卷积通过学习偏移量，让采样点始终贴合工件表面，配合调制因子抑制无关背景，显著提升缺陷召回率。

具体案例：某手机外壳质检线部署 DCNv2 模型检测划痕。此前标准卷积对倾斜放置的外壳漏检率约 15%，改用可变形卷积后，采样点自动随外壳角度偏移，漏检率降至 4%，且推理速度满足产线实时要求。

自动驾驶中的多尺度目标检测

阶段：特征提取与目标定位

解决的问题：自动驾驶场景中，车辆、行人、交通标志在画面中的尺度和姿态差异巨大，标准卷积固定感受野难以同时兼顾。可变形卷积让采样点根据目标形状自适应分布，提取到更准确的空间特征，提升小目标和遮挡目标的检测效果。

具体案例：某自动驾驶公司用 DCNv3 增强检测主干网络（如 InternImage），在夜间十字路口场景中，对行人和骑手的检测准确率提升了 7%，误检率下降明显，且分组共享设计让车载芯片上的推理延迟增加不到 10%。

Python 演示

python43 行

import numpy as np def bilinear_sample(img, x, y):    h, w = img.shape    x = np.clip(x, 0.0, w - 1.001)    y = np.clip(y, 0.0, h - 1.001)    x0, y0 = int(x), int(y)    dx, dy = x - x0, y - y0    return (img[y0, x0] * (1 - dx) * (1 - dy) +            img[y0, x0 + 1] * dx * (1 - dy) +            img[y0 + 1, x0] * (1 - dx) * dy +            img[y0 + 1, x0 + 1] * dx * dy) def deform_conv(img, offsets, center):    grid = [(-1, -1), (0, -1), (1, -1), (-1, 0), (0, 0), (1, 0), (-1, 1), (0, 1), (1, 1)]    total = 0.0    for k, (py, px) in enumerate(grid):        ox, oy = offsets[k]        total += bilinear_sample(img, center[1] + px + ox, center[0] + py + oy)    return total / 9 def main():    h = w = 16    img = np.zeros((h, w))    for y in range(h):        for x in range(w):            if ((x - 8) / 5.0) ** 2 + ((y - 8) / 3.0) ** 2 <= 1.0:                img[y, x] = 1.0    center = (8, 5)    off0 = np.zeros((9, 2))    off1 = np.array([        [0.0, 1.5], [0.0, 1.0], [0.0, 1.5],        [0.0, 0.0], [0.0, 0.0], [0.0, 0.0],        [0.0, 0.0], [0.0, 0.0], [0.0, 0.0],    ])    out0 = deform_conv(img, off0, center)    out1 = deform_conv(img, off1, center)    print(f"标准卷积输出:   {out0:.4f}")    print(f"可变形卷积输出: {out1:.4f}")    print(f"采样贴合度提升: {((out1 - out0) / max(out0, 1e-6)) * 100:.1f}%") if __name__ == "__main__":    main()

目的：用 16×16 的椭圆图像和手工构造的偏移量，演示可变形卷积如何通过双线性插值把边缘采样点“拉回”物体内部，并与标准卷积对比输出。

x = np.clip(x, 0.0, w - 1.001)防止浮点坐标越界，保证索引始终有效。
img[y0, x0] * (1 - dx) * (1 - dy)双线性插值的核心：按距离权重混合周围四个像素。
total += bilinear_sample(img, center[1] + px + ox, center[0] + py + oy)每个采样点先加偏移 $(ox, oy)$ 再取像素值，这是可变形卷积的关键。
if ((x - 8) / 5.0) ** 2 + ((y - 8) / 3.0) ** 2 <= 1.0:生成一个水平椭圆的物体掩模，模拟待检测目标。
off1 = np.array([...])手工给上排采样点指定向下约 1~1.5 像素的偏移，把位于物体外部的采样点拉回内部。
print(f"采样贴合度提升: ...")量化对比可变形卷积相对标准卷积的输出增益。

常见误区

误区我以为可变形卷积的偏移量只能是整数，因为图像像素坐标本来就是整数。如果算出小数，就四舍五入取整再采样。

正解偏移量恰恰是浮点数。可变形卷积使用双线性插值处理非整数采样位置：取该浮点坐标周围 4 个整数像素，按距离加权混合。这不仅让采样更平滑，还保证了整条计算链路可导，梯度能顺利回传到偏移预测网络。

为何常见：初学者常把“图像坐标”和“采样坐标”混为一谈，忽略了插值这一层“软取数”机制。

误区可变形卷积里有权重、有动态预测，跟 Transformer 的注意力不是一回事吗？以后直接用注意力替换它不就行了？

正解两者思路有交集——DCNv3/v4 确实借鉴了注意力的动态权重——但核心不同：注意力的关键是“所有位置两两交互”的全局关联，而可变形卷积的焦点是“稀疏采样点的空间位置偏移”。它用少量采样点结合偏移量来覆盖目标区域，不需要全局交互，计算量更可控。

为何常见：DCNv4 论文明确提出融合注意力思想，让部分读者误以为二者等价，忽略了稀疏采样与全局交互的本质差异。

误区Softmax 归一化能让权重规范化，是模型精度的重要保障。DCNv4 直接删掉它，肯定是为了速度牺牲了精度。

正解实验表明，去除 Softmax 后模型精度基本持平甚至略有提升。Softmax 的指数运算和归一化除法并非精度所必需，反而带来额外的硬件开销和梯度饱和风险。DCNv4 用“直接预测权重”简化计算图，配合内存访问优化，在保持精度的同时大幅提速。

为何常见：很多人把“归一化”和“精度”直接绑定，忽略了归一化只是训练技巧，不是模型能力的必要条件。

误区可变形卷积的本质就是让采样点尽量远地偏移，偏移得越远，感受野越大，效果一定越好。

正解偏移需要适度。偏移过大会让采样点跑到无关区域甚至图像外，反而引入噪声。DCNv2 引入调制因子正是为了抑制这类“跑偏”的采样点；实际训练中网络会自行权衡偏移方向与幅度，而非一味求大。

为何常见：直观上“移动范围大 = 适应性强”，但没有考虑“移动到错误位置”的代价。

面试题

Q1. 可变形卷积相比标准卷积，核心改变是什么？

单选题 · easy

A.将卷积核尺寸变大
B.让采样位置可以偏移← 正确答案
C.增加网络层数的数量
D.使用更大尺寸的步长

答案：B。可变形卷积的改进点不在卷积核大小、网络深度或步长，而是让每个采样点学习一个偏移量，使采样位置能够自适应贴合物体形状，因此选 B。

Q2. DCNv1 中采样点的偏移量由谁预测？

单选题 · easy

A.独立的偏移预测网络← 正确答案
B.固定的随机数生成器
C.人工标注的精确坐标
D.与主网络完全无关的统计量

答案：A。DCNv1 用一个额外的卷积层（偏移网络）从输入特征图预测每个采样点的二维偏移量，并与主网络端到端联合训练。它不是随机生成、人工指定或离线统计的。

Q3. 偏移量为浮点数时，采样位置如何取值？

单选题 · easy

A.直接四舍五入取整
B.丢弃非整数的采样点
C.双线性插值获取新值← 正确答案
D.把所有网格点对齐到零点

答案：C。浮点坐标没有对应的像素值，DCN 使用双线性插值，取周围四个整数像素按距离加权混合。四舍五入会丢失梯度，丢弃采样点则破坏结构，对齐零点更是无用操作。

Q4. DCNv2 调制因子的取值范围是？

单选题 · mid

A.任意实数没有额外限制
B.二值离散仅能取 0 或 1
C.用 Sigmoid 约束到 0 到 1← 正确答案
D.归一化后各点求和为 1

答案：C。DCNv2 的调制因子通过 Sigmoid 激活被限制在 [0,1]，相当于每个采样点的“信任分”。Softmax 归一化求和为 1 是 DCNv3 的权重设计，不是 v2 调制因子的约束。

Q5. DCNv3 相比 v2 提升效率的手段包括哪些？

多选题 · mid

A.分组共享偏移减少参数量← 正确答案
B.轻量深度卷积生成偏移← 正确答案
C.增加卷积网络的深度
D.放弃端到端的联合训练

答案：AB。DCNv3 通过分组共享采样偏移大幅度降低偏移参数，并用深度可分离卷积生成偏移，提升效率。加深网络与提升 DCN 效率无关，端到端训练也没有被放弃。

Q6. DCNv4 相对 DCNv3 删除了什么操作？

单选题 · mid

A.双线性插值的计算过程
B.采样点的位置偏移过程
C.Softmax 权重归一化过程← 正确答案
D.卷积层的权重共享策略

答案：C。DCNv4 的核心改动是移除 Softmax 归一化，让权重直接由网络预测，简化计算图。双线性插值和采样点偏移仍然保留，权重共享策略也不是 v4 的删除对象。

Q7. 偏移量为浮点数时，梯度如何回传到偏移量？

单选题 · mid

A.双线性插值保证端到端可微← 正确答案
B.偏移量的梯度被固定为零
C.用随机搜索估算偏移梯度
D.梯度只回传主网不回传偏移

答案：A。双线性插值是一个连续可导的函数，偏移量的微小变化会引起输出连续变化，因此梯度可以沿着插值路径回传到偏移预测网络，实现端到端训练。其余做法都无法有效更新偏移量。

Q8. 关于 DCNv1 偏移量的说法正确的是？

单选题 · hard

A.偏移量必须是整数像素单位
B.偏移量只能为正值不能为负
C.偏移采样依靠双线性插值完成← 正确答案
D.偏移量由主分类器直接输出

答案：C。DCNv1 的偏移量是浮点数，采样时依靠双线性插值在非整数坐标上取值。偏移量可正可负，由专门的偏移网络输出而非主分类器直接产生。

Q9. DCNv4 去除 Softmax 归一化的原因包括哪些？

多选题 · hard

A.减少指数运算的硬件开销← 正确答案
B.避免归一化导致的梯度饱和← 正确答案
C.单纯为了降低模型的整体精度
D.简化算子便于 CUDA 深度优化← 正确答案

答案：ABD。Softmax 需要大量指数运算和归一化除法，硬件开销大、访存多；其归一化也可能造成梯度饱和。DCNv4 将其移除，简化算子并方便 CUDA 级优化。这不是为了降低精度，实验表明精度基本保持。

Q10. 关于 DCNv2 偏移与调制分支输出通道数，哪些说法正确？

多选题 · extreme

A.偏移分支输出通道数为 2N，N 为采样点数← 正确答案
B.调制分支输出通道数为 N← 正确答案
C.两分支都必须乘以输入通道 C 倍
D.偏移与调制分支共享完全相同的通道数

答案：AB。DCNv2 中，偏移分支为每个采样点输出水平、垂直两个分量，共 2N 个通道；调制分支为每个采样点输出一个权重，共 N 个通道。两者通道数不同，也不强制乘以输入通道数 C，因此 C、D 错误。