各种经典卷积神经网络总结
1、原始卷积 (Vanilla Convolution)
背景:CNNs中的卷积,也称为滤波器,是由一组具有固定窗口大小且带可学习参数(learnable paramerters)的卷积核所组成,可用于提取特征。
原理:卷积的过程是通过滑动窗口从上到下,从左到右对输入特征图进行遍历,每次遍历的结果为相应位置元素的加权求和;
特性
- 稀疏连接(sparse connectivity)
- 权值共享(shared weights)
- 平移不变性(translation invariant)
- 平移等变性(translation equivalence)
2、分组卷积 (Group convolution)
原理: 原始卷积操作中每一个输出通道都与输入的每一个通道相连接,通道之间是以稠密方式进行连接。而组卷积中输入和输出的通道会被划分为多个组,每个组的输出通道只和对应组内的输入通道相连接,而与其它组的通道无关。这种分组(split)的思想随后被绝大多数的新晋卷积所应用。