نُقدِّم نوعًا جديدًا من الت convolution يُسمَّى Convolution ذات الوعي بالمنطقة الديناميكية (DRConv)، الذي يمكنه تعيين عدد متعدد من المرشحات تلقائيًا إلى المناطق المكانية المقابلة التي تمتلك تمثيلات متشابهة للسمات. وبهذا الشكل، يتفوق DRConv على الت convolution القياسي في نمذجة التغيرات الدلالية. إذ يمكن للطبقة القياسية من الت convolution زيادة عدد المرشحات لاستخلاص عناصر مرئية أكثر، لكن ذلك يؤدي إلى تكلفة حسابية عالية. أما بطريقة أكثر أناقة، فإن DRConv يحول زيادة المرشحات في الاتجاه القنوي (channel-wise) إلى الاتجاه المكاني باستخدام مُدرِّس قابل للتعلم، مما يُحسّن قدرة الت convolution على التمثيل دون أن يرفع التكلفة الحسابية أو يُخلّ بخاصية التحويل غير المُتغيرة (translation-invariance) التي يتمتع بها الت convolution القياسي. يُعد DRConv طريقة فعّالة ورشيقة للتعامل مع التوزيعات المكانية المعقدة والمتغيرة. كما يمكنه أن يحل محل الت convolution القياسي في أي شبكة موجودة بفضل خاصية التوصيل السريع (plug-and-play)، خاصةً في تقوية طبقات الت convolution في الشبكات الفعالة. وقد قمنا بتقييم DRConv على مجموعة واسعة من النماذج (سلسلة MobileNet، ShuffleNetV2، إلخ) وعلى مهام متعددة (التصنيف، التعرف على الوجوه، الكشف، والتقسيم). وفي مهمة تصنيف ImageNet، حقق ShuffleNetV2-0.5x القائم على DRConv أداءً منافسًا لأفضل النماذج الحالية بنسبة 67.1% عند مستوى 46 مليون عملية ضرب-جمع (multiply-adds)، بتحسن نسبي قدره 6.3%.