蛇形卷积常用于特征提取模块的改进 ---- 适用于细长微弱的局部结构特征与复杂多变的形态特征（将应用于管状结构上的动态蛇形卷积移植到杂草识别上）
管状目标分割的特点细长且复杂，标准卷积、空洞卷积无法根据目标特征调整关注区域，可变形卷积可以根据特征自适应学习感兴趣区域，但是对于管状目标，可变形卷积无法限制关注区域的连通性，而动态蛇形卷积则可变形卷积的基础上，限制了关注区域的连通性
在动态蛇形卷积中引入变形偏移△，对于可变形卷积模型被完全自由的学习偏移，感知场往往会偏离目标，特别是在处理一些细长复杂多变的目标，因此蛇形卷积采用迭代策略，依次选择每个要处理目标的下一个位置进行观察，从而确保了观察连续性，不会由于大的偏移将感知范围扩散的太远，我们将连续性约束加入卷积核的设计中，每一个卷积卷积位置都由前一个位置为基准，自由选择摆动方向，从而在自由选择的同时确保感受的连续性
卷积核咋蛇变呢？？
普通的卷积核比如（3*3）的格子位置是规整的，但动态蛇形卷积要让这些格子"蛇形"排列，所以得从新算每一个格子的位置
位置算法----累加偏移的过程
从中心格子开始，往外扩展时，每个新格子的位置 = 前一个格子位置+偏移量（△，在范围在（1，-1））
比如计算x轴方向
中心是（xi，yj），往右边扩展（+c方向），每个新格子的y坐标要把之前的偏移（△y）累加
往左扩展（-c方向）同理，也是累加偏移
计算y轴格子位置同理
简单来说：从中心出发，每一步走的时候，把偏移一点点加上，让卷积核格子蛇形扭起来。
将C3_Snake替换掉我们YOLOv5里原来的C3特征提取模块，让模型更好的提取特征
左边模块（Bottlenck_D+C3_Snake）
Input(输入)：将图像数据丢进去
Conv（普通卷积）+DySnakeConv（动态蛇形卷积）：两条分支，一条普通卷积，另一条用动态蛇形卷积（更灵活提取数据特征）
合并：两次合并，最后输出，第一次合并普通卷积+动态蛇形卷积，第二次卷积，在第一次合并的基础上+原始数据
普通卷积稳住基本盘，动态蛇形卷积（更灵活提取）两者一结合更厉害
右边模块（多分枝+拼接）
Input输入
Conv+DSConv（动态蛇形卷积*2），三条分支，不同分支抓住不同的特征
Concat（拼接）：把三条分支的结果"并排拼起来"，在用一次普通卷积整理，最后输出
用不同的卷积分支广撒网抓特征，抓住的特征拼起来，在经过一次普通卷积让模型拿到更全面的信息