深度可分离卷积

最新推荐文章于 2024-04-09 06:22:03 发布
最新推荐文章于 2024-04-09 06:22:03 发布
阅读量1.3w 收藏 159
点赞数 32
分类专栏： machine learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/makefish/article/details/88716534
版权
本文介绍了深度可分离卷积的概念，对比了它与正常卷积的区别。深度可分离卷积通过两次卷积实现，首先对每个通道单独卷积，然后使用1x1卷积核整合通道信息，有效减少了参数数量。当需要提取多个属性时，该方法能节省更多资源。
摘要由CSDN通过智能技术生成

下面这个文章介绍了深度可分离卷积是怎么做的：
https://towardsdatascience.com/a-basic-introduction-to-separable-convolutions-b99ec3102728
https://eli.thegreenplace.net/2018/depthwise-separable-convolutions-for-machine-learning/
本文的很多内容都是在这两个文章的基础上整理的。

卷积基础

描述一个二维矩阵，使用row col。三维的，使用channel row col。四维则多了一个参数：batch channel row col。batch channel row col的逻辑顺序则和数据格式有关，常见的有NHWC和NCHW：https://mp.weixin.qq.com/s/I4Q1Bv7yecqYXUra49o7tw?

2D卷积

2D卷积只有col row的概念。（略）

3D卷积和4D卷积

我们先看3D卷积。
假设过滤器窗口是3x3x3（其中一个3代表了in_depth

最低0.47元/天 解锁文章
makefish
关注
专栏目录
深度可分离卷积Depthwise Separable Convolution
知识搬运工的博客
07-14 6214
从卷积神经网络登上历史舞台开始，经过不断的改进和优化，卷积早已不是当年的卷积，诞生了分组卷积（Group convolution）、空洞卷积（Dilated convolution 或 À trous）等各式各样的卷积。今天主要讲一下深度可分离卷积（depthwise separable convolutions），这是 Xception 以及 MobileNet 系列的精华所在。 ...
深度学习笔记10-深度可分离卷积
最新发布
08-21 918
深度可分离卷积通过将标准卷积分解为深度卷积和逐点卷积，显著减少了计算量和模型参数。虽然在某些情况下可能导致模型的表达能力有所下降，但它在实际应用中，尤其是移动设备和嵌入式系统中，能够显著提升计算效率和降低模型复杂度。与标准卷积相比，深度可分离卷积的计算复杂度显著降低，尤其是在 (C_{\text{out}}) 较大时，这种节省尤为明显。1) 的卷积核进行卷积操作，用于将深度卷积的输出通道线性组合成所需的输出通道。k) 的卷积核进行卷积操作，其中 (k) 是卷积核的大小。
深度可分离卷积（Depthwise seperable convolution）
热门推荐
冰雪棋书的博客
05-19 7万+
一、深度可分离卷积（Depthwise separable convolution） 一些轻量级的网络，如mobilenet中，会有深度可分离卷积depthwise separable convolution，由depthwise(DW)和pointwise(PW)两个部分结合起来，用来提取特征feature map。相比常规的卷积操作，其参数数量和运算成本比较低。 二、常规卷积操作 对于5x5x3的输入，如果想要得到3x3x4的feature map，那么卷积核的shape为3x3x3x4(即：)；
可分离卷积及深度可分离卷积详解_深度卷积和深度可分离卷积
m0_61549740的博客
04-09 1165
链图片转存中…(img-CHPqqIaf-1712614909028)][外链图片转存中…(img-USOdFx5L-1712614909028)]
深度可分离卷积网络的理论与实战（TF2.0）
12-20
深度可分离卷积网络（Depthwise Separable Convolutional Neural Networks）是一种在计算机视觉领域广泛应用的卷积神经网络（CNN）优化技术。这种技术源于普通卷积操作，但通过分解卷积过程，大大降低了计算复杂度和...
TensorFlow2.0(十)–实现深度可分离卷积神经网络
12-21
深度可分离卷积神经网络（Depthwise Separable Convolutional Neural Network，DSConv）是一种旨在减少计算复杂性和模型参数数量的卷积网络结构。相比于传统的卷积层，它通过两个步骤来实现卷积操作：深度卷积...
基于深度可分离卷积网络的皮肤镜图像病灶分割方法
01-20
针对皮肤镜图像病灶难定位、病灶精准分割难以实现的问题，提出一种基于深度可分离卷积网络的皮肤镜图像病灶分割方法。首先对皮肤镜图像进行黑框移除和毛发移除处理，将图像中有碍确定病灶位置的人工噪声、天然噪声...
[深度学习] 深度可分离卷积
摩登都市天空---专栏
12-04 1万+
一 深度可分离卷积 深度可分离卷积之所以如此命名，是因为它不仅处理空间维度，还处理深度维度-通道的数量。通常输入图像可以有3个通道:RGB。经过几次卷积后，一个图像可能有多个通道。你可以把每个频道想象成那个图像的一个特殊解释；例如，“红色”通道解释每个像素的“红色”，“蓝色”通道解释每个像素的“蓝色”，“绿色”通道解释每个像素的“绿色”。一个有64个频道的图像有64种不同的解释。 深度可分离卷...
YOLOv5深度可分离卷积
03-13
YOLOv5是一种目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。而深度可分离卷积是YOLOv5中使用的一种卷积操作。 深度可分离卷积（Depthwise Separable Convolution）是一种卷积操作，它将标准的卷积操作分解为两个步骤：深度卷积和逐点卷积。具体来说，深度可分离卷积首先对输入的每个通道进行独立的卷积操作，然后再使用逐点卷积将各个通道的结果进行组合。 相比于传统的卷积操作，深度可分离卷积具有以下优势： 1. 参数量减少：由于深度可分离卷积将标准卷积分解为两个步骤，所以参数量大大减少，从而减少了模型的复杂度。 2. 计算量减少：深度可分离卷积的计算量也相对较小，因为它将标准卷积操作分解为两个较小的操作。 3. 提高模型性能：深度可分离卷积在一定程度上可以提高模型的感受野（ receptive field），从而提高了模型的性能。 在YOLOv5中，深度可分离卷积被广泛应用于特征提取网络，用于提取图像特征。通过使用深度可分离卷积，YOLOv5可以在保持较高检测精度的同时，减少模型的参数量和计算量，从而实现更高效的目标检测。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值