提出线性可变形卷积（LDConv），核心是：
定义任意大小的卷积核，生成 “坐标操作算法” 以适配不同目标；
引入偏移量调整每个位置的采样形状，使采样形状随任务动态变化；
参数数量随核大小线性增长（而非平方），避免大核卷积的参数过载。
LDConv 的核心创新是将 “参数增长模式从平方转为线性性”，同时支持任意采样形状，既解决了大核卷积的参数负担，又能动态适配不同目标的形状，是提升 CNN 性能的 “轻量、即插即用” 模块
LDConv 的额外优势
部署友好性：参数数量随卷积核大小线性增长（传统卷积为平方增长），适配硬件环境的资源限制，可作为轻量化模型的替代方案，减少参数与计算过载。
模块兼容性：可直接替换现有网络模块（如 FasterBlock、GSBottleneck）的卷积层，无需大幅修改网络结构即可提升性能。
形状灵活性：支持任意采样形状，能根据先验知识定制卷积操作，再通过偏移量动态适配目标形状变化 论文核心贡献
提出算法，为任意大小的卷积核生成初始采样坐标；
调整卷积核的采样位置以适配目标变化，同时探索了三种提取非规则卷积核特征的方法；
实现 “非规则卷积核提取特征” 的功能，提供了任意形状 / 大小的卷积核，弥补传统卷积的局限；
用对应尺寸的 LDConv 替换 FasterBlock、GSBottleneck 中的卷积层，提升了这两个模块的性能。
