dwconv卷积详解公式
时间: 2023-11-06 16:04:29 浏览: 165
DWConv(Depthwise Convolution)是一种深度卷积,它在通道上进行卷积操作,而在空间上则不进行卷积操作。下面是DWConv的详细公式:
设输入的feature map为X,输出的feature map为Y,DWConv的卷积核为K,那么:
1. DWConv的卷积核K的大小为(k_h, k_w, c_in, 1),其中k_h和k_w表示卷积核在空间维度上的大小,c_in表示输入feature map的通道数,1表示卷积核在通道维度上的大小。
2. DWConv的输出feature map的大小为(h, w, c_in, 1),其中h和w表示输出feature map在空间维度上的大小,c_in表示输出feature map的通道数,1表示输出feature map在通道维度上的大小。
3. DWConv的卷积操作可以表示为:
$$ Y_{i,j,k,1} = \sum_{r=1}^{k_h} \sum_{c=1}^{k_w} X_{i+r-1,j+c-1,k,1} \times K_{r,c,k,1} $$
其中,i和j表示输出feature map在空间维度上的坐标,k表示输入/输出feature map在通道维度上的坐标。$X_{i+r-1,j+c-1,k,1}$表示输入feature map在位置(i+r-1, j+c-1)上的通道k的值,$K_{r,c,k,1}$表示DWConv卷积核在位置(r,c)上的通道k的值,$Y_{i,j,k,1}$表示输出feature map在位置(i,j)上的通道k的值。
4. DWConv的参数量为$k_h \times k_w \times c_in$,相比于传统的卷积操作,DWConv可以大大减少参数量,从而减少模型的存储空间和计算量。