原文链接：https://arxiv.org/pdf/2007.04242.pdf 发表：eccv2020
编辑：daniel
code:https://github.com/zhuogege1943/dgc
文章提出了一种动态分组卷积的方法，为每个分组引入小型特征选择器，根据输入特征的强度动态决定连接哪些输入维度，而多个分组能捕获输入图片中不同的互补特征，学习到丰富的特征表达能力。具体方法如下图所示：
DGC分为多个head，首先将输入特征图分别输入每个head，由每个head来决定输入的哪些维度将参与分组卷积。每个head的结构如下：
1.saliency generator：生成输入维度的重要性分数。
2.input channel selector：采用gating策略根据重要性评分来动态决定输入维度最重要部分。
saliency generator
saliency generator采用se bolck的模式，首先将输入打成向量，然后通过两个全连接层，最终得出输入的不同维度的重要性分数：
input channel selector
在获得重要性分数后，下一步是决定当前head选择哪些输入维度参与后续的卷积操作，DGC将每个head中重要性分数低于阈值的维度去除，公式如下：
在通过重要性分数筛选不参加后续卷积的维度的同时，重要性分数还用于对参加卷积的维度进行加权。每个head中卷积公式如下：
在每个head进行卷积后，将所有head的输出特征图顺序打乱并拼接在一起。
实验结果
待补充
