深度可分离卷积DCNV3详解

深度可分离卷积（Depthwise Separable Convolution, 简称 DSConv 或 DSC）是一种改进的卷积神经网络（CNN）结构，由 Google 在 Inception v3 模型中首次提出，并在 MobileNet 系列中广泛应用，以减少计算量和模型大小，同时保持较高的性能。

DSC 分为两部分：
1. **深度卷积（Depthwise Convolution, DCN）**：这个部分对输入特征图进行逐元素的卷积，相当于一个一维卷积操作在每个通道上独立进行，每个通道只学习自己的滤波器，不共享权重。这样大大减少了参数数量，使得网络更加轻量级。

2. **点卷积（Pointwise Convolution, PCN）**：这是对深度卷积后的结果进行一个1x1的卷积，也称为1x1卷积，其作用是将通道数还原或组合到所需的输出通道数，同时可以实现通道间的线性变换。

DCNV3（通常指 MobileNetV3）是对深度可分离卷积的进一步优化，主要特点包括：
- 使用倒置残差结构（Inverted Residual Blocks），这有助于信息传播和梯度流动，尤其是在小批量训练时。
- 引入了线性瓶颈设计（Linear Bottleneck），其中包含一个深度卷积、一个扩张卷积（或1x1卷积，用于增加通道数）和一个点卷积，以提高效率。
- 对通道数（扩张因子）和步长进行了更灵活的选择，增强了模型的适应性和性能调整能力。
- 使用SE模块（Squeeze-and-Excitation Module），帮助提升特征选择和注意力机制。

相关问题：
1. 为什么DCNV3要使用倒置残差结构？
2. SE模块在DCNV3中的具体作用是什么？
3. DCNV3相比于MobileNetV2有何性能提升？