05 / 2026 / 实验原型
DDefConv：面向不规则视觉目标的实验性可变形特征卷积
基于 PyTorch、注意力机制和可变形采样的实验性视觉算子，尝试接入 Ultralytics YOLO11，用于不规则目标特征增强。
问题
如何针对边缘形状不规则、方向变化明显的视觉目标探索可变形特征增强，并保持实现边界清晰可验证？
角色
独立研究原型开发；负责模块实现、YOLO11 接入实验与基础验证。
方法
输入特征分为注意力分支和变形分支，利用学习到的采样偏移执行可变形卷积，再通过空间注意力加权并与旁路特征融合。
结果
README 记录了最小测试、YOLO11 配置接入与已知边界。当前是 Experimental / Research Prototype，不表述为完整 DCNv4、严格的 depthwise deformable convolution 或已全面优于标准卷积。
Overview
DDefConv 是面向不规则视觉目标的实验性可变形特征卷积模块，最初用于水稻病斑特征提取探索。
Method
模块将输入特征拆分为注意力分支和变形分支，使用学习到的采样偏移执行可变形卷积，再通过空间注意力进行加权并与旁路特征融合。
Stack
PyTorch、Torchvision、Ultralytics YOLO11、Computer Vision。
Current Limitations
当前实现不支持 YOLO 下采样层常用的 stride=2，接入 YOLO11 时应选择 stride=1 的特征块。项目定位为 Experimental / Research Prototype，页面不将其包装为完整 DCNv4、严格的 depthwise deformable convolution，或已经全面优于标准卷积的方案。