特征上采样是许多现代卷积网络架构（例如特征金字塔）中的关键操作。其设计对于密集预测任务（如对象检测和语义/实例分割）至关重要。在这项工作中，我们提出了FEatures的内容感知重新组装（CARAFE），这是一个通用、轻量级和高效的运营商来实现这一目标。CARAFE有几个吸引人的特性：（1）大视场。与以往仅利用亚像素邻域的工作（如双线性插值）不同，CARAFE可以在大的接受域内聚集上下文信息。（2） 内容感知处理。CARAFE不是对所有样本使用固定内核（例如反褶积），而是支持特定实例内容感知处理，动态生成自适应内核。（3） 重量轻，计算速度快。CARAFE引入了很少的计算开销，并且可以容易地集成到现代网络架构中。我们对标准基准进行全面评估在对象检测、实例/语义分割和绘画中。CARAFE显示了所有任务（分别为1.2%AP、1.3%AP、1.8%mIoU、1.1dB）的一致性和实质性增益，计算开销可忽略不计。它具有巨大的潜力，可以作为未来的研究方向。
github源码：
https: //github.com/open-mmlab/mmdetect