版权声明:本文为博主原创文章未经博主允许不得转载。 /firelx/article/details/
在介绍Group Convolution前先回顾下常规卷积是怎么做的,具体可以参见博文如果输入feature map尺寸为N个,输出feature map与卷积核的数量相同吔是N每个卷积核的尺寸为N个卷积核的总参数量为N?C?K?K,输入map与输出map的连接方式如下图左所示图片来自:
GN?,每个卷积核的尺寸为GC??K?K卷积核的总数仍为N个,每组的卷积核数量为GN?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N?GC??K?K可见,总参数量减少为原来的 G1?其连接方式如上图右所示,group1输出map数为2有2个卷积核,每个卷积核的channel数为4与group1的输入map的channel数相同,卷积核只与同组的输入map卷积而不与其他组的输入map卷积。
- G组则该层的参数量减少为原来的 GC??K?K,可以将其余(C?GC?)?K?K的参数视为0有时甚至可以在减少参数量的同时获得更好的效果(相当于正则)。
- 当分组数量等于输入map数量输出map数量也等于输入map数量,即G=N=C同时卷积核的尺寸与输入map的尺寸相哃,即