【深度学习】Group Convolution分组卷积、Depthwise Convolution和Global Depthwise Convolution

目录

1. 分组卷积(Group Convolution)

1.1 分组卷积与普通卷积的区别

1.2 分组卷积的用途

2. 深度分离卷积(Depthwise Convolution)

原文链接：https://www.cnblogs.com/shine-lee/p/10243114.html

本文主要介绍减少参数量、计算量的卷积形式：

        Group convolution是将输入层的不同特征图进行分组，然后采用不同的卷积核再对各个组进行卷积，这样会降低卷积的计算量。因为一般的卷积都是在所有的输入特征图上做卷积，可以说是全通道卷积，这是一种通道密集连接方式（channel dense connection）。而group convolution相比则是一种通道稀疏连接方式（channel sparse connection）。

1）常规卷积(Convolution)：

        如果输入feature map尺寸为𝐶∗𝐻∗𝑊，卷积核有𝑁个，输出feature map与卷积核的数量相同也是𝑁，每个卷积核的尺寸为𝐶∗𝐾∗𝐾，𝑁个卷积核的总参数量为𝑁∗𝐶∗𝐾∗𝐾，输入map与输出map的连接方式如上图左所示。

2）分组卷积(Group Convolution)

        Group Convolution是对输入feature map进行分组，然后每组分别卷积。假设输入feature map的尺寸仍为𝐶∗𝐻∗𝑊，输出feature map的数量为𝑁个，如果设定要分成𝐺个groups，则每组的输入feature map数量为𝐶 / 𝐺，每组的输出feature map数量为𝑁 / 𝐺，每个卷积核的尺寸为𝐶/𝐺∗𝐾∗𝐾，卷积核的总数仍为𝑁个，每组的卷积核数量为𝑁 / 𝐺，卷积核只与其同组的输入map进行卷积，卷积核的总参数量为𝑁∗𝐶 / 𝐺∗𝐾∗𝐾，可见，总参数量减少为原来的 1 / 𝐺，其连接方式如上图右所示，group1输出map数为2，有2个卷积核，每个卷积核的channel数为4，与group1的输入map的channel数相同，卷积核只与同组的输入map卷积，而不与其他组的输入map卷积。

分组卷积使用后，最好将各组卷积的结果做一个shuffle打乱，让不同组卷积的特征能够通信。

        当分组数量等于输入map数量，输出map数量也等于输入map数量，即𝐺=𝑁=𝐶，𝑁个卷积核每个尺寸为1∗𝐾∗𝐾时，Group Convolution就成了Depthwise Convolution，参见MobileNet和Xception等，参数量进一步缩减，如下图所示：

深度分离卷积在mobileNet中联合Pointwise conv一起使用：

        (ps：这个卷积没怎么用过)如果分组数𝐺=𝑁=𝐶，同时卷积核的尺寸与输入map的尺寸相同，即𝐾=𝐻=𝑊，则输出map为𝐶∗1∗1即长度为𝐶的向量，此时称之为Global Depthwise Convolution（GDC），见MobileFaceNet，可以看成是全局加权池化，与 Global Average Pooling（GAP） 的不同之处在于，GDC 给每个位置赋予了可学习的权重（对于已对齐的图像这很有效，比如人脸，中心位置和边界位置的权重自然应该不同），而GAP每个位置的权重相同，全局取个平均，如下图所示：