用于卷积神经网络的盒卷积层

单盒卷积网络（来自 `examples/mnist.py`）在 MNIST 数据集上学习模式

这是什么

这是一个 PyTorch 实现的盒卷积层，该层在 2018 年 NeurIPS 的 论文 中被提出：

Burkov, E., & Lempitsky, V. (2018) 带有盒卷积的深度神经网络。神经信息处理系统进展 31, 6214-6224。

如何使用

安装

python3 -m pip install git+https://github.com/shrubb/box-convolutions.git
python3 -m box_convolution.test # 如果出现错误，请提交 GitHub 问题

卸载方法：

python3 -m pip uninstall box_convolution

已在 Ubuntu 18.04.2、Python 3.6、PyTorch 1.0.0、GCC {4.9, 5.5, 6.5, 7.3}、CUDA 9.2 上测试过。其他版本（例如 macOS 或 Python 2.7 或 CUDA 8 或 CUDA 10）也应该可以工作，但我尚未验证。如果构建失败，请提交 GitHub 问题。

已知问题（参见 此讨论）：

• 由于 NVCC 中的一个 bug，不支持 CUDA 9/9.1 + GCC 6。

你可以通过设置 CC 环境变量来指定不同的编译器：

CC=g++-7 python3 -m pip install git+https://github.com/shrubb/box-convolutions.git

使用

import torch
from box_convolution import BoxConv2d

box_conv = BoxConv2d(16, 8, 240, 320)
help(BoxConv2d)

此外，examples/ 目录下也有使用示例。

盒卷积快速导览

你可能想查看我们的 海报。

为什么还要重新发明旧的卷积？

3×3 卷积太小 ⮕ 接收域增长得太慢 ⮕ 卷积神经网络必须非常深。

这在密集预测任务中尤其不可取（如分割、深度估计、目标检测等）。

如今人们通常通过以下方式解决这个问题：

• 膨胀卷积/可变形卷积（可能会引入伪影或退化为 1×1 卷积；几乎总是会滤除高频信息）；
• “全局”空间池化层（通常过于受限，尺寸固定，不是“全卷积”的）。

它是如何工作的？

盒卷积层是一种基本的深度可分离卷积（即 Conv2d，其中 groups=in_channels），但它使用一种特殊的核，称为“盒核”。

盒核是一个矩形平均滤波器。也就是说，滤波器的权重是固定的且归一化过的！相反，我们为每个矩形学习四个参数——它的大小和偏移量：

有没有成功案例？

举个例子：有一个高效的语义分割模型 ENet。它采用经典的沙漏型架构，由数十个类似 ResNet 的模块堆叠而成（左图）。

让我们用我们的“盒卷积模块”替换其中的一些模块（右图）。

首先，我们把每第二个模块替换为盒卷积模块（论文中称为 BoxENet）。这样，模型变得：

• 更准确，
• 更快，
• 更轻量，
• 无需膨胀卷积。

然后，我们替换了 所有 残差模块（除了下采样和上采样模块）！最终得到的 BoxOnlyENet 是：

• 一个 几乎没有传统可学习权重卷积 的卷积神经网络，
• 运算量减少了一半，
• 参数数量减少了三分之二，
• 仍然比 ENet 更准确！

box-convolutions 快速上手指南

box-convolutions 是 PyTorch 实现的盒卷积层（Box Convolution Layer），源自 NeurIPS 2018 论文《Deep Neural Networks with Box Convolutions》。该模块通过可学习的矩形平均滤波器替代传统卷积核，能在减少参数量和计算量的同时提升模型性能，特别适用于语义分割等密集预测任务。

环境准备

系统要求与依赖：

• 操作系统：Linux (推荐 Ubuntu 18.04+)，macOS 理论上支持但未全面测试。
• Python：Python 3.6+
• 深度学习框架：PyTorch 1.0.0+
• 编译器：GCC 4.9 - 7.3 或更高版本
• GPU 加速（可选）：CUDA 9.2+
  • 注意：由于 NVCC bug，不支持 CUDA 9/9.1 搭配 GCC 6 的组合。

安装步骤

使用 pip 直接从 GitHub 仓库安装：

python3 -m pip install git+https://github.com/shrubb/box-convolutions.git

如果默认编译器构建失败，可以指定特定的 C++ 编译器（例如 g++-7）：

CC=g++-7 python3 -m pip install git+https://github.com/shrubb/box-convolutions.git

验证安装： 运行以下命令检查是否安装成功且无报错：

python3 -m box_convolution.test

如需卸载：

python3 -m pip uninstall box_convolution

基本使用

导入 BoxConv2d 类并实例化即可使用。以下是一个最简单的初始化示例：

import torch
from box_convolution import BoxConv2d

# 初始化盒卷积层
# 参数说明: in_channels=16, out_channels=8, height=240, width=320
box_conv = BoxConv2d(16, 8, 240, 320)

# 查看帮助文档以了解详细参数
help(BoxConv2d)

更多完整的使用案例（如 MNIST 分类示例）请参考项目中的 examples/ 目录。