[Deeplearning]dwconv

最新推荐文章于 2024-09-26 09:44:15 发布

棉毛裤穿吗

最新推荐文章于 2024-09-26 09:44:15 发布

阅读量1.9w

点赞数 19

分类专栏： Deeplearning 文章标签：深度学习 pytorch 神经网络

本文链接：https://blog.csdn.net/qq_39782006/article/details/120009268

版权

Deeplearning 专栏收录该内容

6 篇文章

订阅专栏

本文详细介绍了深度卷积（DWConv）网络，它由深度可分离卷积（Depthwise Convolution）和点卷积（Pointwise Convolution）两部分组成。深度可分离卷积首先对每个通道单独进行卷积，然后通过点卷积将不同通道的特征融合，以减少计算参数量。Yolo系列模型中就应用了这种结构。

摘要由CSDN通过智能技术生成

dwconv

是由一个两部分卷积组成的一个网络

第一部分是depthwise conv 是分通道的一个卷积就是每个卷积核对应input的每一个通道有图好理解很多如下

图源https://blog.csdn.net/tintinetmilou/article/details/81607721

因为上面每个层的特征都分开没有有效的利用相同空间位置上不同层的有效信息，所以有了第二部分

第二部分是pointwise conv

它将第一部分各自独立的featuremap进行组合生成了新的

它是一个kernelsize为1，通道数为input通道数的一个卷积，具体如图

这里写图片描述

图源https://blog.csdn.net/tintinetmilou/article/details/81607721

这个dwconv主要是为了降低卷积运算参数量。

但具体参数量计算请看 https://yinguobing.com/separable-convolution/#fn2

yolo系列里的代码如下

class DWConv(nn.Module):
    """Depthwise Conv + Conv"""
    def __init__(self, in_channels, out_channels, ksize, stride=1, act="silu"):
        super().__init__()
        self.dconv = BaseConv(
            in_channels, in_channels, ksize=ksize,
            stride=stride, groups=in_channels, act=act
        )
        self.pconv = BaseConv(
            in_channels, out_channels, ksize=1,
            stride=1, groups=1, act=act
        )

    def forward(self, x):
        x = self.dconv(x)
        return self.pconv(x)