CoarseNetd的网络结构其中卷积层详细公式

CoarseNetd 的网络结构中主要使用了以下几种卷积层：

1. 普通卷积层：输入特征图经过卷积核的滑动窗口计算得到输出特征图。假设输入特征图大小为 $H_i \times W_i \times C_i$，卷积核大小为 $k \times k$，卷积核个数为 $C_o$，步长为 $s$，输出特征图大小为 $H_o \times W_o \times C_o$，则普通卷积层的计算公式为：

$$H_o = \lfloor\frac{H_i-k}{s}+1\rfloor$$

$$W_o = \lfloor\frac{W_i-k}{s}+1\rfloor$$

$$C_o = \text{卷积核个数}$$

2. 扩张卷积层：在普通卷积层的基础上增加了扩张率参数 $d$，即在卷积操作时，卷积核内部的元素之间增加 $d$ 个空洞。假设输入特征图大小为 $H_i \times W_i \times C_i$，卷积核大小为 $k \times k$，卷积核个数为 $C_o$，扩张率为 $d$，则扩张卷积层的计算公式为：

$$H_o = \lfloor\frac{H_i-k-(k-1)\times(d-1)}{s}+1\rfloor$$

$$W_o = \lfloor\frac{W_i-k-(k-1)\times(d-1)}{s}+1\rfloor$$

$$C_o = \text{卷积核个数}$$

3. 深度可分离卷积层：将卷积操作拆分为深度卷积和逐点卷积两个步骤，减少参数数量，提高计算效率。假设输入特征图大小为 $H_i \times W_i \times C_i$，深度卷积的卷积核大小为 $k \times k$，卷积核个数为 $C_i$，逐点卷积的卷积核大小为 $1 \times 1$，卷积核个数为 $C_o$，则深度可分离卷积层的计算公式为：

$$H_o = \lfloor\frac{H_i-k+2\times \text{padding}}{s}+1\rfloor$$

$$W_o = \lfloor\frac{W_i-k+2\times \text{padding}}{s}+1\rfloor$$

$$C_o = \text{逐点卷积卷积核个数}$$

其中 $\text{padding}$ 表示对输入特征图进行填充的大小。