본 논문은 동적 합성곱(DY-Conv)의 높은 파라미터 비용과 제한적인 적응성 문제를 해결하기 위해 주파수 영역에서 고정된 파라미터 예산을 학습하는 새로운 방법인 주파수 동적 합성곱(FDConv)을 제안합니다. FDConv는 주파수 기반 그룹으로 파라미터 예산을 나누어 파라미터 비용 증가 없이 주파수 다양성을 확보합니다. 더 나아가, 공간 수준에서 필터의 주파수 응답을 동적으로 조절하는 Kernel Spatial Modulation (KSM)과 주파수 영역에서 가중치를 고유한 주파수 대역으로 분해하고 지역적 콘텐츠에 따라 동적으로 변조하는 Frequency Band Modulation (FBM)을 제안합니다. 다양한 객체 검출, 분할, 분류 작업에서의 실험을 통해 FDConv의 효과를 검증하며, ResNet-50에 적용했을 때 +3.6M 파라미터의 적은 증가만으로 기존 방법들(CondConv +90M, KW +76.5M)보다 우수한 성능을 달성함을 보여줍니다. 또한 ConvNeXt, Swin-Transformer 등 다양한 아키텍처와의 호환성을 갖추고 있습니다.
