当前位置: 首页 > news >正文

阅读笔记5——深度可分离卷积

一、标准卷积

  标准卷积在卷积时,同时考虑了特征图的区域和通道信息。

  标准卷积的过程如图1-1所示,假设输入特征图的channel=3,则每个卷积核的channel都为3,每个卷积核的3个channel对应提取输入特征图的3个channel的特征(考虑了特征图的区域信息),并输出channel=1的输出特征图(考虑了特征图的通道信息)。即:

  • 卷积核的channel=输入特征图的channel
  • 输出特征图的channel=卷积核的个数

在这里插入图片描述

图1-1 标准卷积过程图

二、Depthwise卷积

  对于一个通道的输入特征H×WH×WH×W,利用一个3×3的卷积核进行点乘求和,得到一个通道的输出H×WH×WH×W。然后,对于所有的输入通道CCC,使用CCC个3×3卷积核即可得到C×H×WC×H×WC×H×W大小的输出。

  通道之间相互独立,没有各通道间的特征融合,这也是Depthwise卷积的核心思想。即:

  • 卷积核的channel=1
  • 输入特征图的channel=卷积核的个数=输出特征图的channel

在这里插入图片描述

图2-1 Depthwise卷积过程图

三、Pointwise卷积

  由于Depthwise卷积的通道间缺少特征融合,并且通道数无法改变,因此后续还需要继续连接一个逐点的1×1的卷积,一方面可以融合不同通道间的特征,同时也可以改变特征图的通道数。

  Pointwise卷积就是卷积核大小为1的标注卷积。即:

  • 卷积核的channel=输入特征图的channel
  • 输出特征图的channel=卷积核的个数
  • 卷积核的大小为1

在这里插入图片描述

图3-1 Pointwise卷积过程图
http://www.lryc.cn/news/14351.html

相关文章:

  • Microsoft Dynamics 365:导入License到服务层,通过Business Central Administration Shell
  • centos6.10安装FastDfs出错的问题
  • 基础组件之内存池
  • 前端面试题--了解并简单介绍一下typescript
  • 【pytorch】ModuleList 与 ModuleDict
  • Hive窗口函数语法规则、窗口聚合函数、窗口表达式、窗口排序函数 - ROW NUMBER 、口排序函数 - NTILE、窗口分析函数
  • Go设计模式之函数选项模式
  • ClickHouse 数据类型、函数大小写敏感性
  • nodejs基于vue 网上商城购物系统
  • 掌握MySQL分库分表(一)数据库性能优化思路、分库分表优缺点
  • 何为小亚细亚?
  • 【mircopython】ESP32配置与烧录版本
  • Yaml:通过extrac进行传参,关联---接口关联封装(基于一个独立YAML的文件)
  • vue - vue中对Vant日历组件(calendar)的二次封装
  • 详解C++的类型转换
  • NLP文本自动生成介绍及Char-RNN中文文本自动生成训练demo
  • Teradata 离场,企业数据分析平台如何应对变革?
  • QWebEngineView-官翻
  • 网络安全高级攻击
  • 优思学院:六西格玛中的水平对比方法是什么?
  • UVa 690 Pipeline Scheduling 流水线调度 二进制表示状态 DFS 剪枝
  • 【ArcGIS Pro二次开发】(6):工程(Project)的基本操作
  • Qt OpenGL(四十)——Qt OpenGL 核心模式-雷达扫描效果
  • 群智能优化算法求解标准测试函数F1~F23之种群动态分布图(视频)
  • vue-axios封装与使用
  • 重要节点排序方法
  • 【2.20】动态规划 +项目 + 存储引擎
  • 触摸屏单个按键远程控制led
  • JVM12 class文件
  • 等保三级认证基本要求