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 , 卷积核大小为K × K, 卷积核共有 N 个. 我们按照通道数分为 g 个组, 一般来讲, g 应该可以被 N 整除. 则:
每个组的特征通道数量为C/g
每个组的卷积核尺寸为 N / g × C / g × K × K.
每个组得到的输出特征图为 N / g × H × W .
拼接 g 个组的输出特征图, 得到和标准卷积尺度一样的输出特征图, 即 N × H × W N×H×WN×H×W.