Depthwise 卷积 ,Pointwise 卷积与普通卷积的区别
月亮299 于 2022-04-11 19:59:15 发布 2310 收藏 34 分类专栏: 深度学习 文章标签: 深度学习 人工智能 计算机视觉 cnn 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/Bolly_He/article/details/124107316 版权 <div id="blogColumnPayAdvert">
<div class="column-group">
<div class="column-group-item column-group0 column-group-item-one">
<div class="item-l">
<a class="item-target" href="https://blog.csdn/bolly_he/category_7252702.html" target="_blank" title="深度学习" data-report-click="{"spm":"1001.2101.3001.6332"}">
<img class="item-target" src="https://img-blog.csdnimg/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64" alt="">
<span class="title item-target">
<span>
<span class="tit">深度学习</span>
<span class="dec">专栏收录该内容</span>
</span>
</span>
</a>
</div>
<div class="item-m">
<span>7 篇文章</span>
<span>0 订阅</span>
</div>
<div class="item-r">
<a class="item-target article-column-bt articleColumnFreeBt" data-id="7252702">订阅专栏</a>
</div>
</div>
</div>
</div>
<article class="baidu_pl">
<div id="article_content" class="article_content clearfix">
<link rel="stylesheet" href="https://csdnimg/release/blogv2/dist/mdeditor/css/editerView/kdoc_html_views-72cc5cd3d1.css">
<link rel="stylesheet" href="https://csdnimg/release/blogv2/dist/mdeditor/css/editerView/ck_htmledit_views-6e43165c0a.css">
<div id="content_views" class="htmledit_views">
<h1><a name="t0"></a>1 普通卷积</h1>
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,等于输入的通道数,等于卷积核数。所以depthwise卷积只改变特征图的大小,不改变通道数。但这种运算对输入层的每个通道独立进行卷积运算,没有有效的利用不同通道在相同空间位置上的feature信息。
depthwise卷积,只改变feature map的大小,不改变通道数。
3 Pointwise卷积
Pointwise Convolution的运算与常规卷积运算相似,它的卷积核的尺寸为 1×1×M,M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合,生成新的Feature map。有几个卷积核就有几个输出Feature map。
Pointwise卷积,不改变feature map的大小,只改变通道数。
4 Depthwise separable convolution(深度可分离卷积)
深度可分离卷积depthwise separable convolution,由depthwise(DW)和pointwise(PW)结合起来组成。相比常规的卷积操作,其参数数量和运算成本比较低。轻量化模型中常用,例如MobileNet
文章知识点与官方知识档案匹配,可进一步学习相关知识 OpenCV技能树OpenCV中的深度学习图像分类 11821 人正在系统学习中 月亮299 关注 关注- 7 点赞
- 踩
- 34 收藏
- 打赏
- 0 评论
-
Depthwise 卷积 ,Pointwise 卷积与普通卷积的区别
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
复制链接
扫一扫
</div> <div class="share-code-type"><p class="hot" data-type="hot"><span>热门</span></p><p class="vip" data-type="vip"><span>VIP</span></p></div> </div> </li> </ul> </div> <div class="toolbox-right"> <div class="tool-directory"> <a class="bt-columnlist-show" data-id="7252702" data-free="true" data-subscribe="false" data-title="深度学习" data-img="https://img-blog.csdnimg/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64" data-url="https://blog.csdn/bolly_he/category_7252702.html" data-sum="7" data-people="0" data-price="0" data-oldprice="0" data-join="false" data-studyvip="false" data-studysubscribe="false" data-report-click="{"spm":"1001.2101.3001.6334","extend1":"专栏目录"}">专栏目录</a> </div> </div> </div>
本文出自知乎:
https://zhuanlan.zhihu/p/69597887?utm_source=wechat_session&utm_medium=social&utm_oi=1135649954939883520
原文:
PointConv: Deep Convol…
文章大部分内容来自于网络的各种博客总结,本博文仅仅作为本人学习笔记,不做商业用途。
目录
2D卷积
3D卷积
1*1卷积
空间可分离卷积(separable convolution)
深度可分离卷积(depthwise separable convolution)
分组卷积(Group conv…
此时,卷积层共4个Filter,每个Filter包含了3个Kernel,每个Kernel的大小为3×3。因此卷积层的参数数量可以用如下公式来计算:
N_std = 4 × 3 × 3 × 3 = 10…
在介绍Group Convolution前,先回顾下常规卷积加粗样式是怎么做的。如果输入feature map尺…
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
…
同样是对于一张5×5像素、三通道彩色输入图片(shape为5×5×3),Depthwise Convolution首先经过第一次卷积运算,不同于上面的常规卷积,DW完全是在二维平面内…
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…
…
一次性完成,输入为, 过滤器为(个数为N),输出为
计算量为:
图1.1 卷积示意
图1.2 计算量
二、深度可分离卷积(Depthwise Seperable Convolution)流程:
分两步完成,分别为Depthwise Conv 和 Pointwise Conv
- Depthwise Conv:filtering sta…
卷积神经网络在图像处理中的地位已然毋庸置疑。卷积运算具备强大的特征提取能力、相比全连接又消耗更少的参数,应用在图像这样的二维结构数据中有着先天优势。然而受限于目前移动端设备硬件条件,显著降低神经网络的运算量依旧是网络结构优化的目标之一。本文所述的Separable Convolution就是降低卷积运算参数量的一种典型方法。
常规卷积运算
假设输入层为一个大小为64×64像素、三通道彩色.
group convolution(群卷积或分组卷积)
point-wise convolution (点卷积)
separable convolution(可分离卷积)
depth-wise convolution (深度卷积)
dilated convolution (空洞卷积)
group convolution(群卷积或分组卷积)
假设上一层的feature map总共有…
逐通道卷积 Depthwise Convolution
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,这个过程产生的feature map通道数和输入的通道数完全一样。
卷积核的计算量为:3 x 3 x 3 = 27
逐点卷积 Pointwise Convolution
Poi…
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
“相关推荐”对你有帮助么?
- 非常没帮助
- 没帮助
- 一般
- 有帮助
- 非常有帮助
- 关于我们
- 招贤纳士
- 商务合作
- 寻求报道
- 400-660-0108
- kefu@csdn
- 在线客服
- 工作时间 8:30-22:00
- 公安备案号11010502030143
- 京ICP备19004658号
- 京网文〔2020〕1039-165号
- 经营性网站备案信息
- 北京互联网违法和不良信息举报中心
- 家长监护
- 网络110报警服务
- 中国互联网举报中心
- Chrome商店下载
- 账号管理规范
- 版权与免责声明
- 版权申诉
- 出版物许可证
- 营业执照
- ©1999-2023北京创新乐知网络技术有限公司
更多推荐
Depthwise 卷积 ,Pointwise 卷积与普通卷积的区别
发布评论