有个空洞卷积的gif挂了,我不修了
图片挂了在新标签页中查看
以下所有内容来自 https://zhuanlan.zhihu.com/p/381839221
本人只负责整理。
(1)组卷积 (Group Convolution)
原始卷积操作中每一个输出通道都与输入的每一个通道相连接,通道之间是以稠密方式进行连接。而组卷积中输入和输出的通道会被划分为多个组,每个组的输出通道只和对应组内的输入通道相连接,而与其它组的通道无关。这种分组(split)的思想随后被绝大多数的新晋卷积所应用。
(2)深度可分离卷积 (Depthwise Separable Convolution)
标准的卷积过程中对应图像区域中的所有通道均被同时考虑,而深度可分离卷积打破了这层瓶颈,将通道和空间区域分开考虑,对不同的输入通道采取不同的卷积核进行卷积,
(3)空洞卷积 (Dilated Convolution)
(4)可变形卷积 (Deformable Convolution)
在计算机视觉领域,同一物体在不同场景,角度中未知的几何变换是任务的一大挑战,通常来说要么通过充足的数据增强,扩充足够多的样本去增强模型适应尺度变换的能力,要么设置一些针对几何变换不变的特征或者算法,比如SIFT或者滑动窗口等。然而传统CNNs固定的几何结构无法对未知的物体形变进行有效建模,因此可变形卷积的提出便是用于解决此问题。
(5)反卷积 (Deconvolution\Transposed Convolution)
由于数字信号处理中也有反卷积的概念,所以一般为了不造成歧义,大多数框架的API都会定义为转置卷积。
转置卷积是一种一对多的映射关系