什么是深度卷积可分离Depthwise Separable conv

已于 2022-11-29 10:30:12 修改
阅读量355 收藏
点赞数
分类专栏： CV基础知识 文章标签： 深度学习 人工智能
于 2022-11-29 10:16:30 首次发布
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/qq_68308828/article/details/128092583
版权

 假设加载进来一张GRB三通道的图片

我现在就把三个通道拆开

注意哦 传统的就是 一个卷积核filter 和三个通道channel 进行卷积

现在这个深度卷积可分离

就要用三个不同的卷积核来对每一个通道进行卷积

小细节 ：如果是传统意义上的卷积，但用一个的话，这个filter就是有三个channel的

而现在则只需要一个通道三个不同的卷积核即可

传统

现在

 最后要加1*1 卷积哦

为啥呢 

因为之前我们分别使用三个不同的卷积核对input进行卷积，没有考虑到跨通道的信息，它output的结果是只关心自己输入的通道

而1*1卷积刚好可以将跨层的信息融合起来

 

这个就是 深度可分离卷积 超简单的

 参考：【精读AI论文】谷歌轻量化网络MobileNet V1（附MobileNetV1实时图像分类代码）_哔哩哔哩_bilibili推荐：upzhu 同济子豪兄

东东要拼命
关注
专栏目录
一文读懂Depthwise卷积
码农ZZK的博客
11-15 1万+
视频来源： https://www.bilibili.com/video/av67348232?from=search&seid=10221504884724623592 常规卷积 相信接触过卷积神经网络的都知道常规卷积的操作 我们通过N个DkDk大小的卷积核 卷积出来的结果 设为DnDn*N 现在我们来计算一下常规卷积的计算开销 一个卷积核做一次卷积操作需要的开销为 ...
Group conv vs. Depthwise separable conv
qq_50489856的博客
04-22 3045
本王有话说：这俩属于是做轻量化绕不开的经典工作，盘踞武林好多年，我们的目标学会并企图超越它。 分组卷积（Group conv） paper 原理 分组卷积,即ResNeXt的亮点,受Inception和AlexNet的启发产生。Inception中提到,对于卷积来说,卷积核可以看做一个三维滤波器:通道维+空间维(特指特征图的W和H),常规的卷积操作其实就是实现通道相关性和空间相关性的联合映射。Inception提出假设: 卷积层通道间的相关性和空间相关性是可以退耦合的,将它们分开映射,能达到更好的效果。具体
Depthwise 卷积 ，Pointwise 卷积与普通卷积的区别
Bolly_He的博客
04-11 7344
1 普通卷积 原理：普通卷积是，一个卷积核与input的所有通道都进行卷积，然后不同通道相同位置卷积后的结果再相加，如下图所示，：⾸先，每个通道内对应位置元素相乘再相加，最后计算所有通道的总和作为最终结果。卷积核的Channel通道数等于Input输⼊的通道数，Output输出的通道数等于卷积核的个数。 2 Depthwise 卷积 原理：Depthwise 卷积的一个卷积核只负责一个通道，一个卷积核只与一个通道卷积。那么卷积核数需要与输入的通道数相等，输出的通道数也不变，等于输入的通
Depthwise卷积与Pointwise卷积
杨杨子江的博客
10-24 619
Depthwise(DW)卷积与Pointwise(PW)卷积，合起来被称作Depthwise Separable Convolution(参见Google的Xception)，该结构和常规卷积操作类似，可用来提取特征，但相比于常规卷积操作，其参数量和运算成本较低。所以在一些轻量级网络中会碰到这种结构如MobileNet。 常规卷积操作 对于一张5×5像素、三通道彩色输入图片（shape为5×5×...
深度可分离卷积
qq_44785998的博客
03-27 1207
深度可分离卷积网络
深度可分离卷积（DepthwiseSeparableConvolution）：Depthwise卷积与Pointwise卷积
xu.hyj
07-24 9078
深度可分离卷积不用多说，在轻量级网络架构方面是一个绕不开的话题，只要接触深度学习多多少少会接触。深度可分离卷积即DepthwiseSeparableConvolution，该卷积将一个常规卷积过程划分成两个完成Depthwise卷积和Pointwise卷积，在保证输出一样时，计算量大大降低。首先来看，一个常规卷积是怎么实现的。其示意图如果我们从通道数变换的角度来看，卷积就是将3通道的tensor变为了4通道的tensor，我们来看看深度可分离卷积是怎么实现通道的变化的。...
深度可分离卷积（depthwise separable convolution）简单介绍
m0_43395719的博客
08-04 6410
1. 普通卷积 举个例子，假设有一个3×3大小的卷积层，其输入通道为16、输出通道为32，一般的操作就是用32个3×3的卷积核来分别同输入数据卷积，这样每个卷积核需要3×3×16个参数，得到的输出是只有一个通道的数据。之所以会得到一通道的数据，是因为刚开始3×3×16的卷积核的每个通道会在输入数据的每个对应通道上做卷积，然后叠加每一个通道对应位置的值，使之变成了单通道，那么32个卷积核一共需要(3×3×16)×32 =4068个参数。 假设 H x W 为输出feature map的空间大小，N为输入通道数
Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的
12-20
深度卷积起源于深度可分离卷积（Depthwise Separable Convolution），这种技术首次在Xception模型中被广泛采用。深度可分离卷积将传统的卷积操作分解为两个步骤：深度卷积（Depthwise Convolution）和逐点卷积...
yolo算法中的深度可分离卷积（Depthwise Separable Convolution）解析
深度可分离卷积（Depthwise Separable Convolution）作为一种轻量级的卷积操作，在YOLO算法中发挥着重要作用。 ## 研究背景 随着人工智能的快速发展，深度学习技术在视觉任务中占据重要地位。目标检测作为计算机...
组卷积（group Conv）与深度可分离卷积（depthwise）简介
jxb727098的博客
02-11 2788
详细解释：https://zhuanlan.zhihu.com/p/92134485 个人理解：一共分为两步 1.对每个输入通道进行一个卷积，有几个通道就几个1kk的卷积平面，通道之间没有任何沟通。 2.类似全连接的手段将每个通道卷积后的特征图们关联起来。 计算量：Cin=3,Cou=2,输入特征图33大小。k=3 原来：3332=54 深度可分离：333+1132=33 333(第一步)+1132（第二步） ...
【深度学习】各种经典卷积之Depthwise卷积
weixin_42322991的博客
11-07 504
DW卷积
keras深度可分离卷积SeparableConv2D与DepthwiseConv2D
wuruivv的博客
11-03 4547
可分离卷积分为两步：1、深度方向的空间卷积 2、将通道进行混合的逐点卷积 DepthwiseConv2D仅仅实现前半部分的空间卷积 keras.layers.DepthwiseConv2D( kernel_size, strides=(1, 1), padding='valid', ...
深度学习网络结构笔记----Depthwise卷积与Pointwise卷积--深度可分卷积-- GoogleNet，Xception，MobileNetv1--v3
YOULANSHENGMENG的博客
11-05 5137
1，常规卷积操作 对于一张5×5像素、三通道彩色输入图片（shape为5×5×3）。经过3×3卷积核的卷积层（假设输出通道数为4，则卷积核shape为3×3×3×4），最终输出4个Feature Map，如果有same padding则尺寸与输入层相同（5×5），如果没有则为尺寸变为3×3。 Depthwise Separable Convolution是将一个完整的卷积运算分解为两步进行，即Depthwise Convolution与Pointwise Convolution。...
普通卷积、Depthwise(DW)卷积、Pointwise(PW)卷积、Atrous卷积
千羽的计算机视觉与机器人
03-28 7125
转发自：https://blog.csdn.net/T_J_S/article/details/94629637 普通卷积 Depthwise(DW)卷积 不同于常规卷积操作，Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积。上面所提到的常规卷积每个卷积核是同时操作输入图片的每个通道。 同样是对于一张5×5像素、三通道彩色输入图片（shape为5×5...
深度学习中组卷积(Group convolution)、深度卷积(Depthwise Convolution)以及深度可分离卷积(Depthwise Separable Convolution)的区别
shentu7的博客
04-17 6980
在轻量化网络中，经常使用组卷积、深度卷积或是深度可分离卷积来降低FLOPs，那么三者的区别在哪里呢？下面总结一下。 一、标准卷积 下面是用一个卷积核对输入特征做一次卷积，得到的输出特征的通道为1。 二、组卷积 组卷积是将输入特征按通道分为g组，每组特征中的通道数为Cing\frac{C_{in}}{g}gCin​​，所以相应的卷积核的大小也变了，通道数变少了。每次卷积后的特征按通道concat输...
depthwise separable convolutions
wmzjzwlzs的专栏
05-05 263
转自：什么是depthwise separable convolutions_猫猫与橙子的博客-CSDN博客_depthwise Depthwise(DW)卷积与Pointwise(PW)卷积，合起来被称作Depthwise Separable Convolution(参见Google的Xception)，该结构和常规卷积操作类似，可用来提取特征，但相比于常规卷积操作，其参数量和运算成本较低。所以在一些轻量级网络中会碰到这种结构如MobileNet。常规卷积操作 对于一张5×5像素、三通道彩色输入图片（s
深度学习笔记_基本概念_Depthwise卷积与Pointwise卷积
惊鸿一博
08-19 1708
目录 基本介绍 常规卷积操作 Depthwise Separable Convolution Depthwise Convolution Pointwise Convolution 参数对比 基本介绍 Depthwise(DW)卷积与Pointwise(PW)卷积，合起来被称作Depthwise Separable Convolution(参见Google的Xception)，该结构和常规卷积操作类似，可用来提取特征，但相比于常规卷积操作，其参数量和运算成本较低。所以在一些轻量级网络中...
image.shape[0],image.shape[1],image.shape[2]
热门推荐
u014345473的博客
06-09 3万+
import cv2image=cv2.imread("D:/shape.bmp")print(image.shape[0])print(image.shape[1])print(image.shape[2])结果3002003其中shape.bmp是一张水平200像素，垂直300像素的彩色图
深度可分离卷积用于反卷积代码
最新发布
09-07
上述代码中，`depthwise_separable_conv2d`函数实现了深度可分离卷积操作，根据输入的参数，先进行深度卷积（Depthwise Convolution），再进行逐点卷积（Pointwise Convolution）。`upsample`函数则使用最近邻插值法...
评论
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

打赏作者

东东要拼命

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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