Selective Kernel Residual Network（SKResNet）是一种结合了选择性卷积核机制和残差连接的深度神经网络架构。它通过动态选择不同尺度的卷积核来自适应地提取多尺度特征，在保持计算效率的同时显著提升了模型的表达能力和性能。
一、SKResNet 的理论基础与创新点
1. 传统卷积神经网络的局限性
传统卷积神经网络（CNN）在图像处理中依赖固定大小的卷积核（如 3x3 或 5x5）来提取特征。这种设计虽然简单高效，但在面对具有多尺度特征的复杂场景时，表现出一定的局限性：
- 感受野固定性：单一尺寸的卷积核只能捕捉特定尺度的特征，难以同时处理不同尺度的目标对象。在实际应用中，图像或信号中的关键信息往往分布在不同的空间尺度上。
- 特征提取单一性：固定的卷积核限制了模型对多样化特征模式的感知能力，特别是在处理复杂场景时，可能遗漏重要的细节信息或全局结构信息。
- 适应性不足：传统 CNN 无法根据输入数据的特点动态调整特征提取策略，缺乏对不同输入模式的自适应能力。
这些限制促使研究者探索更加灵活和智能的卷积操作方式，例如引入通道间的交互机制或多尺度融合策略，SKResNet 便是这一思路的典型代表。
2. SKResNet 的核心创新
SKResNet 的核心在于其'选择性'机制。不同于传统网络使用固定权重的卷积层，SKBlock 允许网络在推理过程中根据输入内容动态调整感受野的大小。这意味着模型可以像人类视觉系统一样，根据关注区域的不同，自动切换观察的'焦距'。
3. 技术优势分析
- 多尺度特征融合：能够同时捕获局部细节与全局上下文。
- 计算开销可控：相比增加网络深度，选择性卷积带来的额外计算量较小。
- 泛化能力强：在多种视觉任务中表现稳定，尤其适合目标检测与语义分割等需要多尺度感知的任务。
