CoordConv: CNN坐标感知特征适应

传统卷积 vs CoordConv 详细对比

• 传统卷积对空间位置不敏感，CoordConv通过显式添加坐标信息解决这个问题
• 在特征图中嵌入(x, y)坐标和可选的径向距离r
• 使模型能够感知空间位置关系

1. 传统卷积的"空间位置不敏感"问题

传统卷积的特点：

• 输入: [B, C, H, W] 例如 [4, 3, 224, 224] (批次大小4，RGB 3通道，224x224图像)
• 卷积核在整个图像上滑动时，只关心局部模式，不知道自己在图像的哪个位置
• 例如：一个检测边缘的卷积核，无论在图像左上角还是右下角检测到边缘，输出都是一样的

问题举例：

# 假设有一个3x3的卷积核
# 在位置(10,10)检测到一个边缘 -> 输出值 0.8
# 在位置(200,200)检测到同样的边缘 -> 输出值还是 0.8
# 卷积核完全不知道自己在哪个空间位置！

2. CoordConv如何解决这个问题

CoordConv的做法：
在原始特征图基础上显式添加坐标通道

让我用具体数字说明：

输入变化对比：

传统卷积输入：

原始输入: [B=4, C=1792, H=28, W=28]  # 来自CNN的特征图

CoordConv输入：

# Step 1: 创建坐标网格
xx_channel = [[-1, -0.93, -0.86, ..., 0.86, 0.93, 1],    # 28个值，从-1到1[-1, -0.93, -0.86, ..., 0.86, 0.93, 1],    # 重复28行...[-1, -0.93, -0.86, ..., 0.86, 0.93, 1]]yy_channel = [[-1, -1, -1, ..., -1, -1, -1],              # 第一行全是-1[-0.93, -0.93, ..., -0.93, -0.93],          # 第二行全是-0.93...[1, 1, 1, ..., 1, 1, 1]]                     # 最后一行全是1# Step 2: 拼接原始特征和坐标
最终输入: [B=4, C=1792+2, H=28, W=28]  # 增加了2个坐标通道

具体的坐标值含义：