本文深入探讨了深度可分离卷积（Depthwise Separable Convolution），一种在2017年由MobileNets论文提出的高效卷积神经网络技术。文章详细解析了其核心组成部分——深度卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution），并对比了它与标准卷积在网络结构中的应用差异。
Depthwise Separable Convolution
Depthwise Separable Convolution于2017年在《MobileNets: Efficient Convolutional Neural Networks for Mobile VisionApplications》提出。
标准卷积操作所使用卷积核与输入特征具有相同的通道数，卷积核个数即为输出特征的通道数。
Depthwise Separable Convolution将卷积操作分成2步：Depthwise Convolution和Pointwise Convolution。
Depthwise Convolution
如上图所示：Depthwise Convolution使用和标准卷积核一样尺寸的的卷积核，但是通道数仅为1。通过使用与输入特征通道数M一样个数的卷积核分别对每个通道的特征进行卷积操作，得到和输入特征通道数一样的输出特征。
Pointwise Convolution
如上图所示：Pointwie Convolution使用尺寸为1*1，通道数与输入特征一样的卷积核。使用与目标输出特征通道数一样个数的卷积核即可得到目标输出特征。
网络结构
上图给出标准卷积与Depthwise Separable convolution在网络中的应用对比。
扫一扫
4080
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
