Partial Channel Network
Partial Channel Network AAAI2026

核心思路是在保证模型精度的前提下，通过“部分通道计算”来大幅降低计算量、提升推理速度。

现有高效网络常用的深度可分离卷积（DWConv） 虽然降低了FLOPs和参数量，但在实际推理时存在频繁内存访问和低并行度的问题，导致吞吐量（Throughput）偏低。

论文提出了两个核心模块：
部分注意力卷积（PATConv）：将部分通道用于卷积，另一部分通道用于视觉注意力，两者并行处理。
不同于以往将卷积和注意力串联（Series）的做法，能同时提升性能和推理速度。
动态部分卷积（DPConv）：能根据模型参数或延迟等约束，自适应地为不同层学习最优的通道拆分比例。

三大创新点
提出并行融合的PATConv：将视觉注意力集成到部分卷积中，以并行方式融合二者，区别于传统的串联方式，实现了性能和速度的双重提升。
设计三种轻量级注意力模块：
PAT_ch（通道注意力）：增强通道间全局信息交互，有望替代常规卷积和DWConv。
PAT_sp（空间注意力）：以极小代价增强MLP层。
PAT_sf（自注意力）：在模型最后阶段引入全局自注意力，扩大感受野，融合局部与全局特征。
提出可学习的DPConv：能够根据约束条件（如参数量、延迟）自适应地学习每一层的最佳通道拆分比例，实现推理速度与精度的最优平衡
语义分割 目标检测 深度学习 人工智能 计算机视觉 Python 硕士