🧩 other-blocks

other-blocks 是一个系统整理、实现和验证神经网络功能模块的开源仓库，覆盖计算机视觉（2D）与时序数据（1D BCL 序列）感知任务的即插即用 PyTorch 神经网络模块动物园。

---

🖼️ 架构总览与模块流向

flowchart TB
    subgraph SRC["模块来源"]
        direction LR
        A["🧪 原创实验模块<br/>77 个 · proposer BUG423"]
        B["📄 顶会/顶刊论文提取<br/>39 个 · TPAMI / CVPR / ECCV / ICCV / NeurIPS"]
    end

    subgraph REPO["other-blocks 模块生态"]
        direction TB
        BLK["2D 视觉即插即用块<br/>(blocks/*)"]
        BCL["1D BCL 时序适配器<br/>(adapters/bcl/*)"]
    end

    subgraph USE["下游场景接入"]
        direction TB
        CV["计算机视觉骨干网络<br/>ResNet / ViT / CNN / ..."]
        TS["时序感知与科学计算<br/>惯性定位 (IO) / 传感 / IoT"]
    end

    A --> BLK
    B --> BLK
    A --> BCL
    BLK --> CV
    BCL --> TS

    style SRC fill:#eef2ff,stroke:#6366f1,color:#1e1b4b
    style REPO fill:#f0fdf4,stroke:#22c55e,color:#14532d
    style USE fill:#fff7ed,stroke:#f97316,color:#7c2d12

Loading

残差网络即插即用插入机制

flowchart LR
    X["输入特征 x<br/>[B, C, H, W]"] --> C1["Conv1×1 + BN + ReLU"]
    C1 --> C2["Conv3×3 + BN + ReLU"]
    C2 --> C3["Conv1×1 + BN"]
    C3 --> BLK["🧩 Block 模块<br/>SRM / DFA / BQA / ..."]
    BLK --> ADD(("＋"))
    RS["残差恒等映射<br/>Downsample"] --> ADD
    ADD --> RE["ReLU"] --> Y["输出特征 y<br/>[B, C, H, W]"]

    style BLK fill:#dbeafe,stroke:#2563eb,color:#1e3a8a
    style ADD fill:#fef3c7,stroke:#d97706,color:#78350f

Loading

---

✨ 核心特性

特性维度	说明与设计规范
🧩 即插即用	每个模块封装为独立的 nn.Module，零侵入无缝插入任意主流 CNN 或 Transformer 骨干。
📐 统一张量契约	默认遵循 [B, C, H, W] → [B, C, H, W] 形状保持契约，构造函数首参严格固定为 channels。
🧪 双来源模块	包含 77 个原创前沿实验模块以及 39 个源自 IEEE TPAMI、CVPR、ECCV、ICCV、NeurIPS 的顶会论文等价提取模块。
🌊 时序生态扩展	内置 BCL（Batch-Channel-Length）时序格式适配器，将成熟的 1D/2D 模块无缝迁移至惯性导航与时序分析任务。
📝 完备结构化文档	每个模块均提供包含“设计简介 / 结构说明 / 论文写法 / 适用任务”的标准四段式技术文档。
⚡ 轻量零冗余依赖	仅依赖标准 torch、typing 与 math，无需第三方繁重依赖库，保障极致兼容性。

---

🧠 核心模块体系（8 大分类矩阵）

分类体系	核心设计理念与关注机制	代表性模块 (顶会论文 / 原创)
🎯 注意力与调制	通道/空间/全局注意力、非局部自注意力、槽注意力、转置自注意力	MDTA (TPAMI), EAN (TPAMI), BQA (CVPR 2026), SLA (CVPR 2026), SRM, WAM
🚪 门控与通道选择	渐进门控、条件原型选择、通道级相关性加权	CGM, PGM, CRM, TFB (ICCV 2025)
🌊 频域与小波变换	DCT / FFT / Haar 小波变换、相位分解与频段滤波	AFM, FIM, WDM, CWB (ICCV 2025), FPG (CVPR 2026), TLP
🔍 多尺度与上下文	感受野动态选择、粗细粒度互调与局部-全局上下文混合	CIM, DRS, DSM, UCM (ICCV 2025)
🔗 特征融合与交互	多分支动态对齐、跨模态交互与事件-图像波式融合	GFF, TSFM, CFA (ECCV 2026), WMF (NeurIPS 2026)
📐 空间结构与统计	边缘梯度、局域方差、空间熵、动态直方图重校准	DFA, SGM, LVM, QEM, KFM
🔁 动态与递归精炼	动态权重生成、多专家路由条件精炼、双向门控循环	IRM, RIM, PFA, SLU (CVPR 2026)
🧮 相关性与度量学习	特征与梯度相关性建模、密集预测、Chebyshev 可学习激活	FCM, GCM, DPM, CKA (ICCV 2025)

---

🚀 快速上手与集成使用

1. 独立模块实例化与前向推理

import torch
from blocks.SRM.srm import SRM

# 实例化模块：首参为通道数 channels
block = SRM(channels=64)

# 统一张量接口：输入 [B, C, H, W]，输出保持形状不变
x = torch.randn(2, 64, 32, 32)
out = block(x)
assert out.shape == x.shape

2. 1D BCL 时序任务适配

from adapters.bcl import BCLAdapter
from blocks.DFA.dfa import DFA

# 将 2D 卷积模块包装为适配时序 [B, C, L] 输入的适配器
bcl_block = BCLAdapter(DFA(channels=6), dim=1)

imu_seq = torch.randn(4, 6, 200) # [Batch, IMU_Channels, TimeLength]
features = bcl_block(imu_seq)

---

🔌 统一接口规范契约

所有模块严格遵循以下工业级工程约定：

1. 构造函数契约：__init__(self, channels: int, **kwargs)，首个位置参数必须是通道数，且具备安全合理的默认参数。
2. 张量形状约定：forward(self, x: torch.Tensor) -> torch.Tensor，输入与输出形状严格保证一致（x.shape == out.shape）。
3. 设备与精度无关：支持 CPU、CUDA、MPS 与 FP16 / BF16 / FP32 混合精度推理。

---

📄 知识产权与开源协议

本项目遵循 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) 严格非商业开源许可：

• ❌ 严禁商用：任何个人或组织不得将本项目源码、编译产物或衍生版本用于任何商业盈利目的。
• ❌ 禁止演绎与分发修改版：未经授权不得散布基于本项目修改后的二次分发版本。
• 🔒 权利保留：作者保留对本平台代码与架构的所有版权与法律追责权利。