DW卷积、PW卷积、转置卷积、膨胀卷积（空洞卷积）、可变形卷积一次看个够

Depthwise Separable Convolution也就是深度可分离卷积，应该见过吧，它其实是由depthwise卷积和pointwise卷积组合而成，同样可以用来提取图像特征，但是它的计算量相对来说要小很多，所以一些轻量模型用了深度可分离卷积比如mobilenet。（以下无标注则均无padding，stride=1）

Depthwise Convolution

DW卷积操作中，每一个卷积核是只负责一个通道的，这与普通卷积一个卷积核负责几个通道是不一样的。比如一个5*5*3的彩色图片作为输入，使用普通卷积那么卷积核就可以设置为3*3*n（n为输出通道数），而DW卷积则为3*3*3（卷积核的数量要与输入通道数量一致），所以一个卷积核只能负责一个通道。

 PW卷积

其实在我看来pw卷积就是普通的1*1卷积（个人理解），其卷积核为1*1*n（n为要输出的通道数），pw卷积可以在深度上对输入图片进行融合。

之所以PW和DW卷积配合使用是因为，在经过DW卷积后，不同的通道之间的空间位置信息不能利用，所在再经过PW卷积进行深度融合就可以将其通道信息利用，从而组成了深度可分离卷积。

转置卷积

转置卷积也被人叫做反卷积或者逆卷积，其实正确的叫法就是转置卷积，并不是卷积之后通过转置卷积再得到原来的特征图，转置卷积所得到的上采样特征图中的数值与原特征图并不一样，所以反卷积或者逆卷积的叫法是不好的。在做转置卷积时需要将卷积核进行翻转以及对原图的填充。具体可参考转置卷积（Transposed Convolution）_太阳花的小绿豆的博客-CSDN博客_转置卷积，强推。

膨胀卷积

话不多说直接上图：

膨胀卷积在标准卷积的基础上，增加一些空洞，使得在卷积时能够包括更大的感受野。