改进有：空洞卷积、可变形卷积
（1）空洞卷积：对于像素要求不严格的任务，感受野相当于普通3*3卷积的两层的效果。
代码实现：
def DilatedCNN(x):
length=len(x,filter)
sum=0
if length<5:
return 0
if (length-3)%2==0:
for I in range(length+1):
x[length][i]=0
x[i][length]=0
next_length=(length-3)/2
for i in range(next_length):
for j in range(next_length):
for k in range(3):
for n in range(3):
sum+=x[i+2k][j+2n]*filter[k][n]
y[i][j]=sum
sum=0
return y
（2）可变形卷积
1）对于像素分布不是等距或者是立体像素分布的情况下，采用最邻近的n个点卷积的计算方式；
2）对于平面均匀分布的像素点，卷积点在原先的基础上做了微调
还有一种卷积区域随机变化的可变形卷积：
代码实现如下：
def DeformableCNN(x):
length=len(x,filter)
sum=0
if length<5:
return 0
if (length-3)%2==0:
for I in range(length+1):
x[length][i]=0
x[i][length]=0
next_length=(length-3)/2
for i in range(next_length):
for j in range(next_length):
for k in range(3):
for n in range(3):
row=shuffle[0,1,2,3,4] //0-4的数随机排序
col= shuffle[0,1,2,3,4] //0-4的数随机排序
sum+=x[i+row[k]][j+col[n]]*filter[k][n]
y[i][j]=sum
sum=0
return y
（3）反卷积：即卷积的逆过程。
我设计的DeformableCNN发表了一篇论文，还未出版：A Modulation Classification Method Based on Deformable Convolutional Neural Networks for Broadband Satellite Communication Systems