特殊的卷积形式

1x1卷积

卷积核大小为1x1；功能为：信息聚合（线性加权），同时增加非线性（激活函数）。还有用于通道数的变换，可以增加或者减少输出特征图的通道数。

 转置卷积

转置卷积通常在语义切割任务中，语义切割就是对像素进行分类：

转置卷积，假设输入为2x2，卷积核大小为3x3，转置卷积相当于自动补充了padding=2，然后再进行标准卷积，输出为4x4,。转置卷积可以设置padding和stride，如果设置了p，那么填充的0为k-1-p层，如果设置了s，那么就在卷积元素之间插入s-1个0。如下图：

转置卷积后输出的维度：

 空洞卷积

通过在卷积核元素之间插入空格来扩张卷积核，插入多少的控制由孔洞率r来决定，在元素中间插入r-1个0，因此空洞卷积大小变为。由于卷积核变大，感受野也变大。不增加参数数量而快速扩大感受野的有效方式，以获得更多的局部信息。

 

分组卷积

分组卷积顾名思义就是，将卷积分组，很容易理解。

 上面把卷积核的深度切割了，对应的输入的深度也要切割，不一定要对半切。然后对应输出的深度，就需要多少个卷积核。

深度可分离卷积

深度可分离卷积由分组卷积而来，假设，分组卷积中每组只有单个（C2/g=1）一层 (C1/g=1) 卷积，这个时候，进行卷积，通道之间的信息是没有融合的，卷积过后想要融合，就要加上一个1x1的卷积来增加通道间的信息。

因此，深度可分离卷积由一个分组卷积（单层）以及一个1x1卷积构成。

相比较于标准卷积，减少了参数量，因为只有一个卷积了，以及降低了计算量，提高了运算效率。当然速度的提升，也意味着精度的减少。因此，这类卷积通常应用在有速度要求的卷积结构中，例如，MobileNet、ShuffleNet等模型。