dwconv深度卷积示意图

深度卷积（Depthwise Convolution，简称DWConv）是一种特殊的卷积操作，它主要用于深度神经网络中，特别是在MobileNet和Xception这样的轻量级网络架构中。相比于传统的卷积，DWConv对输入特征图的每个通道（color channel）分别进行卷积，也就是说它只做空间滤波，不进行跨通道的融合。

DWConv的示意图通常包括以下几个关键部分：

1. 输入特征图（Input Feature Map）：表示原始的图像或前一层的输出，通常是3D张量，包含高度、宽度和通道数。

2. 卷积核（Depthwise Kernel）：它是1x1的大小，针对每个输入通道应用一个独立的滤波器，其维度是1x1x输出通道数×输入通道数。

3. 卷积操作：对于输入的每一个通道，使用单独的1x1滤波器进行滑动，生成一个新的通道输出。

4. 逐通道相加（Channel-wise Addition）：生成的每个通道的输出会被叠加在一起，形成输出特征图，但通道数仍然是输入的一半。

5. 输出特征图（Output Feature Map）：这是经过深度卷积处理后的结果，通常会接着进行1x1的点卷积（Pointwise Convolution），用于减少通道数并增加非线性。