一、 本文介绍 本文给大家带来的改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比，DySample采用了一种基于点采样的方法，相比于以前的基于内核的动态上采样器，DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外，DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中，性能均优于其他上

一、本文介绍 本文给大家带来的CARAFE（Content-Aware ReAssembly of FEatures）是一种用于增强卷积神经网络特征图的上采样方法。其主要旨在改进传统的上采样方法（就是我们的Upsample）的性能。CARAFE的核心思想是：使用输入特征本身的内容来指导上采样过程，从而实现更精准和高效的特征重建。CARAFE是一种即插即用的上采样机制其本身并没有任何的使用限制。所

特征上采样是许多现代卷积网络体系结构中的一个关键操作，例如特征金字塔。它的设计对于目标检测和语义/实例分割等密集的预测任务至关重要。在这项工作中，我们提出了内容感知的特征重组（CARAFE），一个通用的、轻量级的和高效的操作符来实现这一目标。CARAFE有几个吸引人的特性： (1)大视野。与以前只利用亚像素邻域的工作（例如双线性插值）不同，CARAFE可以在一个大的接受域内聚合上下文信息。(