Have a Question?
分组卷积 | Group Convolution
1 分组卷积
Group Convolution 是对输入feature map进行分组，然后每组分别卷积。假设输入feature map的尺寸仍为 \(?∗?∗?\)，输出feature map的数量为 \(?\)个，如果设定要分成 \(?\) 个groups，则每组的输入feature map数量为 \(\frac{?}{?}\)，每组的输出feature map数量为 \(\frac{?}{?}\)，每个卷积核的尺寸为 \(\frac{?}{?}∗?∗?\)，卷积核的总数仍为 \(?\) 个，每组的卷积核数量为 \(\frac{?}{?}\)，卷积核只与其同组的输入map进行卷积，卷积核的总参数量为 \(?∗\frac{?}{?}∗?∗?\)，可见，总参数量减少为原来的 \(\frac{1}{?}\)，其连接方式如上图右所示。
2 分组卷积用途
分组卷积有以下一些特例：
2.1 Depthwise Convolution
分组卷积的主要作用是减少参数量，特别地，当 \(G=C=N\)，每个卷积核均为 \(1∗?∗?\) 时，Group Convolution 就变成了 Depthwise Convolution。可以最极值地减少参数。
2.2 Global Depthwise Convolution
特别地，当 \(G=C=N\)，每个卷积核尺寸 \(K=W=H\) 时，则 Group Convolution 变成 Global Depthwise Convolution。