ConvNeXt 改进 ：ConvNeXt添加MKDConv(多核深度卷积，ICCV 2025)，二次创新CNBlock结构 ，独家首发

本文教的是方法，也给出几种改进方法，二次创新结构，百变不离其宗，一文带你改进自己模型，科研路上少走弯路。

前言

本文解析的是发表于 ICCVW 2025 的轻量化医学影像分割网络 MK-UNet。在医学图像处理领域，病灶（如肿瘤、息肉）的尺度变化剧烈，传统的单核 CNN 难以平衡局部细节与全局上下文，而 Transformer 模型虽性能优异但计算开销巨大。MK-UNet 提出了一种多核卷积块（MK-Block），通过并行集成不同尺寸的卷积核，使模型在保持极低参数量（仅 1.5M 左右）的同时，具备强大的多尺度特征感知能力。实验在 ISIC 2018 和 Synapse 等数据集上证明，MK-UNet 在分割精度上超越了包括 TransUNet、Swin-UNet 在内的多个重量级模型，是针对资源受限环境下医疗诊断任务的理想方案。

理论介绍

MultiKernelDepthwiseConv如图圈起来部分（摘自论文）

MultiKernelDepthwiseConv (多核深度卷积)

理论设计：空间维度的“分频”处理
在医学影像（如超声、CT、皮肤镜图像）中，目标的尺度往往跨度极大。该模块的核心理论在于特征的分而治之：

• 小核（如 1x1, 3x3）：专注于提取局部细节、边缘和微细纹理，防止在下采样中丢失关键解剖结构。
• 大核（如 5x5, 7x7）：提供更广阔的感受野，旨在捕获病灶与周围组织之间的宏观空间关系。

通过将这些核集成在深度卷积（Depthwise Convolution）下，模型能够以极低的参数增量实现多尺度特征的“全景式”扫描。

• 深度可分离（Groups=Channels）：将卷积限制在单一通道内。这意味着即使引入了 7x7 的巨大核，其参数量也仅为标准卷积的1 / C 1/C1/C，实现了性能提升与计算开销的完美解耦。
• 并行分支（dw_parallel=True）：在前向传播中，模块将同一份输入并发地送入不同核尺寸的分支。
• 动态扩展性：该模块可以根据任务需求（通过kernel_sizes参数）随意扩展卷积路径的数量，具备极强的即插即用性。

医学图像分割最怕“看大丢小”或“看小丢大”。MultiKernelDepthwiseConv通过在每一个 Inverted Residual Block 中嵌入多核机制，确保了每一层特征图都同时包含了来自不同感受野的“投票结果”。这些多尺度特征被彻底打乱并重组，显著提升了模型对模糊边界和细长结构（如血管、裂缝）的分割精度。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

训练代码参考和下载：手把手教你使用ConvNeXt训练自己数据集和推理，ConvNeXt模型训练（CVPR 2022），一个能挑战 Vision Transformer 的卷积神经网络，含完整代码和数据集

🐴一、实战细节

⚡⚡实验结果画图

画图效果如下，代码可一键运行

画图代码：

# -*- coding: utf-8 -*-""" @Auth ：落花不写码 @File ：画图.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """importmatplotlib.pyplotaspltimportpandasaspd