前言

在移动端和边缘计算场景中，目标检测模型需要在精度与速度之间取得平衡。传统卷积神经网络（CNN）通过固定大小的卷积核（如3×3、5×5）提取特征，但这种静态采样方式难以适应目标的多尺度变化，且存在参数冗余问题。例如，在边缘检测等简单任务中，3×3卷积的9个参数可能只有部分真正参与计算，其余参数成为冗余。

本文提出一种基于变核卷积（AKConv, Adaptive Kernel Convolution）的YOLOv11改进方案，通过动态调整卷积核的采样形状和参数数量，在保持高精度的同时显著降低计算开销。实验表明，该方案在COCO数据集上将mAP@0.5提升0.3%，推理速度提升28%（CPU）与12.5%（GPU），参数量减少15%。本文将系统揭示AKConv的技术原理、工程实现细节，并通过睡眠姿态检测实战验证其有效性。

一、AKConv技术原理深度解析

1.1 传统卷积的局限性

1.1.1 静态采样形状的缺陷

传统卷积