提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
目录
创新点
1.引入其他参数预测（自适应卷积核大小，传播迭代次数）每个像素的适当配置来增强CSPN
2.加入了资源估计的触发器（可能检测一下设备的gpu），根据给定的设备调整参数，例如卷积核的大小
（ps：这篇论文和CSPN是同一个作者，，改进也是基于CSPN改进的）
文章贡献
1.学习自适应卷积核大小=》预测一个参数加权卷积核大小；和传播迭代次数=》同上
从而可以根据请求动态分配每个像素所需的上下文和计算资源。具体地说，我们将两个超参数的学习描述为一个架构选择问题，其中首先定义内核大小和迭代次数的各种配置，然后训练一组软加权参数，以便在每个像素处正确组装或从预定义配置中选择。
CSPN++所需的资源可以根据计算预算自动调整。最后，为了避免噪声或不准确的稀疏深度的副作用，我们在CSPN++中嵌入了一个门控网络，进一步提高了性能。
上下文和资源感知CSPN
定义核大小和迭代次数的各种配置，然后训练一组软加权参数，以便在每个像素处正确组合或从预定义配置中选择。
加权组装的CSPN为上下文感知CSPN，加权选择的CSPN称为资源感知CSPN
网络结构
前半段和之前一样，主要变化在于粗深度图精细的过程
总结
这篇和CSPN结合看
本文含有隐藏内容，请 开通VIP 后查看