1.标准卷积
对于输入特征为 C ∗ H ∗ W, 卷积核大小为 K ∗ K, 共 N 个卷积核. 则:
对于输出特征图上的每一个点, 都是在输入特征图的所有通道上执行 add 操作得到.
输出特征图的通道数为 N.
每个卷积核的尺寸为 C ∗ K ∗ K.
N 个卷积核的总参数量为 N ∗ C ∗ K ∗ K.
输入特征图与输出特征图的连接方式如下图所示:
2. Group Convolution - 组卷积
最早出现分组卷积的是 AlexNet. 分组卷积, 顾名思义就是将原始卷积中的输入特征按照通道进行分组, 每个组卷积只对同组通道内的特征图执行卷积运算.
给定, 输入特征图为: C × H × W ,