080、DCNv2 插入 Neck 的 P3 和 P4 层：对多尺度目标形状变化的鲁棒性测试

080、DCNv2 插入 Neck 的 P3 和 P4 层：对多尺度目标形状变化的鲁棒性测试

一、从一次真实调试说起

上个月做智慧交通项目，摄像头架在立交桥下，车流密集。白天还好，一到傍晚，那些斜着停的共享单车、被风吹歪的锥桶、还有从侧面拍到的公交车——YOLOv11 baseline 在 P3 和 P4 层上的检测框开始飘。不是漏检，是框的形状完全不对，尤其是长宽比异常的目标，比如横着停的电动车（宽高比 3:1 以上），模型直接给框成正方形。

我盯着 TensorBoard 里的 feature map 看了半天，发现 P3 和 P4 层的感受野虽然覆盖了多尺度，但卷积核的采样点全是固定的网格。目标一旦发生非刚性形变（比如被压扁的纸箱、扭曲的横幅），固定采样点根本抓不住边缘信息。这时候我想到了 DCNv2——可变形卷积 v2，它不光能学偏移，还能学每个采样点的权重，相当于给卷积核装上了“可调节的触手”。

二、DCNv2 的核心：别把它当普通卷积

DCNv2 和普通 Conv2d 最大的区别在于：它多了一个 offset 分支和一个 modulation 分支。offset 分支输出每个采样点的 (x, y) 偏移量，modulation 分支输出 0~1 之间的权重系数。这两个分支的输入都是当前层的 feature map，通过一个额外的 3x3 卷积（注意这里踩过坑：这个卷积的 kernel size 必须和主卷积一致，否则 offset 的维度会错位）来生成。