DSC（深度可分离卷积）

DSC（Depthwise Separable Convolution，深度可分离卷积）是一种改进的卷积操作，由Google团队在MobileNet V1中首次提出。它将传统的卷积分为两个独立的部分：深度卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）。

深度卷积（也称为空间卷积）只对每个输入通道应用一个滤波器（即具有单通道权重），这样做的结果是大大减小了参数的数量，因为它只有一个权重矩阵而不是一个三维的滤波器。这使得深度可分离卷积在处理高分辨率图像时非常高效，因为计算复杂度降低到了线性级别。

逐点卷积则是在每一个通道上分别应用1x1卷积，这个过程实际上是对所有通道进行全局平均池化后再展开，所以逐点卷积的作用类似于对特征进行通道混合。这样结合起来，DSC既保留了传统卷积的非线性特性，又避免了过多的参数，非常适合移动端设备或者资源有限的环境。

使用DSC的优势包括：
1. 参数减少：深度卷积大幅减小了参数，有利于模型轻量化。
2. 计算效率：分离后的卷积减少了运算次数，提高计算速度。
3. 鲁棒性：逐点卷积增强了模型的灵活性和适应性。