Wir stellen einen neuen Faltungsansatz namens Dynamic Region-Aware Convolution (DRConv) vor, der automatisch mehrere Filter den jeweiligen räumlichen Regionen zuweist, in denen die Merkmale eine ähnliche Darstellung aufweisen. Auf diese Weise übertrifft DRConv die herkömmliche Faltung bei der Modellierung semantischer Variationen. Standardmäßige Faltungsschichten können die Anzahl der Filter erhöhen, um mehr visuelle Elemente zu extrahieren, führen jedoch zu hohen Berechnungskosten. Ganz im Gegensatz dazu überträgt unsere DRConv die Erhöhung der kanalweisen Filter in die räumliche Dimension mittels eines lernbaren Lehrers, wodurch nicht nur die Darstellungsfähigkeit der Faltung verbessert wird, sondern auch die Berechnungskosten und die translationsinvariante Eigenschaft wie bei der herkömmlichen Faltung beibehalten bleiben. DRConv ist eine effektive und elegante Methode zur Behandlung komplexer und variabler räumlicher Informationsverteilungen. Aufgrund ihrer plug-and-play-Eigenschaft kann sie beliebige bestehende Netzwerke ersetzen, insbesondere die Faltungsschichten in effizienten Netzwerken stärken. Wir evaluieren DRConv an einer Vielzahl von Modellen (MobileNet-Serie, ShuffleNetV2 usw.) und Aufgaben (Klassifikation, Gesichtserkennung, Detektion und Segmentierung). Bei der ImageNet-Klassifikation erreicht DRConv-basiertes ShuffleNetV2-0.5x eine state-of-the-art-Leistung von 67,1 % bei einem Niveau von 46 M Multiply-Adds mit einer relativen Verbesserung von 6,3 %.