group-wise convolution

Group-wise convolution（群卷积或分组卷积）是一种卷积方法，它将输入的特征图在通道维度上进行分组，然后对每个分组分别进行卷积操作。这种方法可以减少计算量，并且在一定程度上提高模型的表达能力。在group-wise convolution中，输入特征图被分为多个子组，每个子组包含一部分输入特征图的通道。然后，对每个子组分别使用卷积核进行卷积操作，得到对应的输出子组。最后，将所有输出子组合并得到最终的输出特征图。这种方法通常用于深度卷积神经网络中，可以提升模型的参数效率和计算效率。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [深度学习之各种类型的卷积运算](https://blog.csdn.net/DreamHome_S/article/details/85233173)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *3* [group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise ...](https://blog.csdn.net/weixin_46838716/article/details/125649148)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]