深度可分离卷积((depthwise separable convolutions))
把卷积变成两个步骤:
1. 先对通道进行1*1的卷积进行降维。
2. 在使用卷积核提取feature map。
实现效果:模型轻量化,例如5*5*3(长,宽,channel)的卷积核参数个数为(5*5*3)。深度可分离卷积的参数个数为(1*1*3+3*5*1)
分组卷积(Group Convolution)
把卷积变成两个步骤:
1. 先对输入的channel进行分为G组。
2. 保持卷积核个数不变,每组使用不同的卷积核卷积,参数减少为原来的1/G。看连线的数量比较直观。
空洞卷积
卷积核中存在固定为0的权重。产生空洞,同时提高感受野。但是连续使用会导致信息丢失。空洞越大,丢失越多。
反卷积
反卷积是一种特殊的正向卷积,先按照一定的比例通过补0 来扩大输入图像的尺寸,接着旋转卷积核,再进行正向卷积。
本质上反卷积在数学含义上是可以还原输入信号的,但是转置卷积只能还原到原来输入的shape,其value值是不一样的。还是有区别。