1. 标准卷积:
由过滤器执行,过滤器由输入特征图上各通道对应的卷积核组成。在使用过滤器对特征图进行卷积的时候,各通道对应的卷积核分别对各自通道的特征图进行一次卷积,然后将各通道上的特征图相加, 以融合各通道的信息。一个过滤器对输入的多通道特征图卷积后得到一张输出特征图。输出特征图的通道数等于对输入特征图进行卷积的过滤器个数。
2. 深度可分离卷积:
由两种卷积方式构成:depthwith卷积和点卷积。
dw卷积:可看作是只有一个过滤器进行卷积,并且在得到各通道上的特征图后并不相加;(此步主要是为了减少计算量)
点卷积:即1x1的标准卷积,过滤器个数为输出特征图的通道数。
3. 分组卷积:将原始输入特征图按通道数分组以得到多张单通道特征图。然后对每张单通道特征图进行过滤器个数为(输出特征图通道数/分组数)的标准卷积。对每个通道执行完操作后,将各通道得到的特征图
拼接在一起。
联系:由此可见,dw卷积其实就是分组数为通道数,输出特征图通道数为输入特征图通道数的分组卷积
nn.Conv2d(in_channels,inchannels,groups=in_channels);
参考博客:1. (166条消息) pytorch的conv2d函数groups分组卷积使用及理解_阿喵酱紫糖的博客-CSDN博客_pytorch 分组卷积
2. (166条消息) 卷积原理:几种常用的卷积(标准卷积、深度卷积、组卷积、扩展卷积、反卷积)_chenyuping666的博客-CSDN博客_卷积
3. (166条消息) pytorch——MobileNet详解及PyTorch实现_chris_1996的博客-CSDN博客_mobilenet pytorch