阅读笔记5——深度可分离卷积

理解深度可分离卷积 深度可分离卷积其实只对常规卷积做了一个很小的改动,但是带来的确实参数量的下降,这无疑为网络的轻量化带来了好处。 阅读详情

一、标准卷积

  标准卷积在卷积时,同时考虑了特征图的区域和通道信息。

  标准卷积的过程如图1-1所示,假设输入特征图的channel=3,则每个卷积核的channel都为3,每个卷积核的3个channel对应提取输入特征图的3个channel的特征(考虑了特征图的区域信息),并输出channel=1的输出特征图(考虑了特征图的通道信息)。即:

  • 卷积核的channel=输入特征图的channel
  • 输出特征图的channel=卷积核的个数

在这里插入图片描述

图1-1 标准卷积过程图

二、Depthwise卷积

  对于一个通道的输入特征H×WH×WH×W,利用一个3×3的卷积核进行点乘求和,得到一个通道的输出H×WH×WH×W。然后,对于所有的输入通道CCC,使用CCC个3×3卷积核即可得到C×H×WC×H×WC×H×W大小的输出。

  通道之间相互独立,没有各通道间的特征融合,这也是Depthwise卷积的核心思想。即:

  • 卷积核的channel=1
  • 输入特征图的channel=卷积核的个数=输出特征图的channel

在这里插入图片描述

图2-1 Depthwise卷积过程图

三、Pointwise卷积

  由于Depthwise卷积的通道间缺少特征融合,并且通道数无法改变,因此后续还需要继续连接一个逐点的1×1的卷积,一方面可以融合不同通道间的特征,同时也可以改变特征图的通道数。

  Pointwise卷积就是卷积核大小为1的标注卷积。即:

  • 卷积核的channel=输入特征图的channel
  • 输出特征图的channel=卷积核的个数
  • 卷积核的大小为1

在这里插入图片描述

图3-1 Pointwise卷积过程图
MobileNet V2阅读笔记 文章目录前言摘要(Abstract)1. 介绍(Introduction)2. 相关工作(Releated Work)3. 预习,讨论和直觉(Preliminaries, dicusssion and intuition)3.1 基于深度可分离的卷积(Depthwise Separable Convolutions)3.2 线性瓶颈层(Linear Bottlenecks)总结 前言 今天开始阅读轻量级分类网络MobileNet v2, 这里写下阅读笔记,方便以后复习。 论文标题:MobileNetV2: 阅读详情

相关推荐

*第六篇《基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究》论文阅读笔记

[1]许贵阳,史天运,任盛伟,韩强,王登阳.基于计算机视觉的车载轨道巡检系统研制[J].中国铁道科学,2013,34(01):139-144. 基于计算机视觉的车载轨道巡检系统研制 [1]刘恒畅,姚德臣,杨建伟,张骄.基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究[J].振动与冲击,2021,40(10):95-102. 基于多分支深度可分离卷积神经网络的滚动轴承故障诊断研究 *note:本文研究方法不太能理解,后期需要再看一遍思路。 一、文章本身 文章框架 Research question.

weixin_39128932的博客 891

卷积核里面的参数怎么来的_深度可分离卷积(Depthwise separable convolution)

一、深度可分离卷积(Depthwise separable convolution)一些轻量级的网络,如mobilenet中,会有深度可分离卷积depthwise separable convolution,由depthwise(DW)和pointwise(PW)两个部分结合起来,用来提取特征feature map。相比常规的卷积操作,其参数数量和运算成本比较低。二、常规卷积操作对于5x5x3的输...

weixin_39669265的博客 2042

论文阅读笔记之MobileNetV2

论文题目: MobileNetV2: Inverted Residuals and Linear Bottlenecks 论文代码: MobileNetV2——Pytorch版本 目录摘要一、介绍二、相关工作三、深度可分离卷积3.1 常规卷积3.2 Depthwise and Pointwise Convolution四、线性瓶颈五、反向残差六、模型结构 摘要 在本文中,我们提出了一个新的移动架构——MobileNetV2。同时,我们也描述了一种应用这些移动模型到目标检测的有效方法——SSDLite。另外,

weixin_42621901的博客 1115

深度可分离卷积(计算过程及代码实现)

深度可分离卷积计算过程及实现

m0_45267220的博客 7746

MobileNet V1阅读笔记

文章目录前言摘要(Abstract)1. 介绍(Introduction)2. 以前成果(Prior Work)3。 MobileNet 架构(Architecture)3.1 深度可分离卷积(Depth Separable Convolution)3.2 网络结构和训练(Network Structure and Training)3.3 宽度乘法因子:让模型更瘦(Width Multiplier: Thinner Models)3.4 分辨率乘法因子:减少表示(Resolution Multiplier

DU_YULIN的博客 349

论文阅读笔记——Xception: Deep Learning with Depthwise Separable Convolutions

我们提出了卷积神经网络中Inception模块的解释,作为常规卷积和深度可分离卷积操作(深度卷积之后是点卷积)之间的中间步骤。从这个角度来看,深度可分离卷积可以被理解为具有最大数量塔的Inception模块。这一观察结果使我们提出了一种受Inception启发的新型深度卷积神经网络架构,其中Inception模块已被深度可分离卷积所取代。

人生不是轨道,是旷野。希望每天都有好心情。 1339

深度可分离卷积_深度学习—深度可分离卷积

点击蓝字关注我们AI研习图书馆,发现不一样的世界深度可分离卷积深度可分离卷积(depthwise separable convolution)在可分离卷积(separable convolution)中,通常将卷积操作拆分成多个步骤。而在神经网络中通常使用的就是深度可分离卷积(depthwise separable convolution)。举个例子,假设有一个3×3大小的卷积层,其输入...

weixin_39637700的博客 973

制造业私有化LLM部署实战:从RAG到智能体,构建企业专属知识大脑

大型语言模型(LLM)作为人工智能的核心技术,通过在海量文本数据上进行预训练,具备了强大的语言理解和生成能力。其原理在于基于Transformer架构,通过自注意力机制捕捉长距离语义依赖。这一技术价值在于能将非结构化信息转化为可计算、可推理的知识,从而赋能企业实现知识的高效管理与应用。在制造业等强数据安全与知识密集型领域,私有化部署的LLM结合检索增强生成(RAG)和智能体(Agent)技术,能够深入业务流程,构建安全、专属的智能知识中枢。本文聚焦于如何利用Qwen、LangChain、向量数据库等技术栈,

weixin_42523711的博客 247

深度可分离卷积原理分析回顾、代码实践与优缺点对比学习记录

深度可分离卷积原理分析回顾、代码实践与优缺点对比学习记录

Together_CZ的博客 2891

RV1126 MIPI CSI-2驱动RGB888图像采集的V4L2实战解析

本文详细解析了在RV1126平台上通过MIPI CSI-2接口采集RGB888格式图像的完整V4L2实战流程。核心内容包括设备树(DTS)配置、内核驱动适配、Media Controller链路调试,以及使用v4l2-ctl工具进行图像抓取与验证的方法,旨在帮助开发者打通从硬件连接到稳定采集RGB888图像数据的关键环节。

weixin_29161719的博客 166

串行通信原理及实验仿真

1. 处理器与外部设备通信的两种方式: 并行通信和串行通信 并行通信是指数据的各个位用多条数据线同时进行传输 优点:传输速度快 缺点:占用引脚资源多 串行通信是将数据分成一位一位的形式在一条传输线上逐个传输 优点:通信线路简单,占用引脚资源少 缺点:传输速度慢 2. 串行通信的通信方式: 同步通信和异步通信 同步通信:带有时钟同步信号的数据传输;发送方和接收方在同一时钟的控制下,同步传输数据。 异步通信:不同时钟同步信号的数据传输。发送方和接收方使用各自的时钟控制数据的发送和接收过程。 3. 串行通

gemengxia的博客 4322

【论文笔记】MobileNet系列论文阅读笔记

本文为MobileNet系列论文阅读笔记。MobileNet是一个轻量级模型,参数少、推理快,在学术界和工业界都很受欢迎。

AI爱好者的博客,分享计算机领域相关知识 2078

python进行windows系统UI自动化之【pyautoit】

一般以我们平时操作,会从下图上方的地址栏进行操作,这里注意可以直接从下方的文件名处,输入对应的绝对地址,如:F:\程序设计书籍\《啊哈!pyautoit 是一个用python写的基于AutoItX3.dll的接口库,用来进行windows窗口的一系列操作,也支持鼠标键盘的操作。点击上访的图标,进行拖拉,到想访问的位置,注意下图两个红框中的数值,上面的框表示页面的标题和类,下面的框表示控件的类和序号(一般连起来使用)打开Auto Window Info(x64)或Auto Window Info(x86)

weixin_43936332的博客 9315

【论文笔记】DeepLab系列论文阅读笔记

本文为DeepLab系列论文阅读笔记,包括DeepLabV1、DeepLabV2、DeepLabV3、DeepLabV3+。

AI爱好者的博客,分享计算机领域相关知识 1万+

YOLOv5改进 | 注意力篇 | iRMB倒置残差块注意力机制(轻量化注意力机制,附二次创新)

本文给家大家带来的改进机制是iRMB,其是在论文Rethinking Mobile Block for Efficient Attention-based Models种提出,论文提出了一个新的主干网络EMO(后面我也会教大家如何使用该主干,本文先教大家使用该文中提出的注意力机制)。其主要思想是将轻量级的CNN架构与基于注意力的模型结构相结合(有点类似ACmix)我将iRMB和C2f结合,然后也将其用在了检测头种进行尝试三种结果进行对比,针对的作用也不相同,但是无论那种实验均有一定涨点效果。

Snu77的博客 2570

100天精通Python(爬虫篇)——第118天:selenium自动化操作浏览器基础大总结

一、Selenium框架环境搭建 1. 下载模块 2. 安装浏览器驱动WebDriver 二、基础操作 1. 打开浏览器 2. 无界面模式 3. 元素定位 4. 元素操作 5. 前进后退 6. 执行js 7.页面等待 隐式等待(常用) 显式等待(了解) 三、进阶操作 1. 使用代理ip 2. 修改请求头 3. 隐藏指纹特征.....................

努力让自己发光,对的人才能迎着光而来 10万+

【论文笔记】RepLKNet论文阅读笔记

自从VGG提出以后,各种CNN网络层出不穷,但是他们都遵循了VGG的设计思想,通过多个小卷积核叠加来得到大的感受野同时保证较少的参数量(2各3x3的卷积核感受野和5x5的卷积核感受野相同,但是参数18<25)。随着ViT逐渐在各类视觉任务种拿到SOTA的表现,CNN似乎有点后继无力。RepLKNet打破了这种现象,提出使用在CNN网络中使用大的卷积核,RepLKNet在各类视觉任务中获得了SOTA表现。

AI爱好者的博客,分享计算机领域相关知识 2736

YOLOv11改进 | Conv篇 | DWRSeg扩张式残差助力小目标检测 (附创新修改后的C3k2DWRSeg)

本文内容给大家带来的DWRSeg中的DWR模块来改进YOLOv11中的C2f和Bottleneck模块,主要针对的是小目标检测,主要创新点可以总结如下:多尺度特征提取机制的深入研究和创新的DWR模块和SIR模块的提出这种方法使得网络能够更灵活地适应不同尺度的特征,从而更准确地识别和分割图像中的物体。DWRSeg的基本原理和框架,并且能够在你自己的网络结构中进行添加DWRSeg需要增加一定的计算量一个DWR模块大概增加0.4GFLOPsYOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备。

Snu77的博客 4186

【论文阅读笔记】——VapSR论文阅读笔记

VapSR,改进的像素注意力机制

weixin_52143654的博客 488

AMBA-CHI协议详解(十五)

Write transactions事务描述以及请求属性,cache line状态转换。

Crazzy_M的博客 650

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

MobileNet论文阅读笔记

目录 论文链接: 摘要: 网络结构 MobileNet架构 MobileNet的两个超参数 实验结果 论文链接: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 摘要: 本文提出的MobileNets基于流线型架构,使用深度可分离卷积来构建轻量级深度神经网络。介...

tuntunmmd的博客 376

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

deeplabv3p 阅读笔记

摘要 Spatial pyramid pooling module or encode-decoder structure are used in deep neural networks for semantic segmentation task. The former networks are able to encode multi-scale contextual information by probing the incoming features with filters or pooli

张洁的笔记 2862

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

文献阅读笔记整理--ConvNext:A ConvNet for the 2020s

convnext,一篇20世纪20年代的卷积网络,以ResNet-50为基础,采用Vision-Transformer、Swin-Transformer等的部分设计思想,来进行优化改进。最终在ImageNet-1k、22k上,处理照片速度、分类准确率都有着非常好的效果

cunxiang1997的博客 564

【文献阅读笔记】之基于Deeplabv3+的图像语义分割优化方法

中文,包装工程,第 43 卷 第 1 期,2022 年 1 月 DOI:10.19554/j.cnki.1001-3563.2022.01.024 摘要 目的 为了实现良好的图像语义分割精度,同时尽可能降低网络的参数量,加快网络训练速度, 提出基于 DeepLabv3+ 的图像语义分割优化方法。方法 编码器主干网络增加注意力机制模块,并采用更 密集的特征池化模块有效聚合多尺度特征,同时使用深度可分离卷积降低网络计算复杂度。结果 基于 CamVid 数据集的对比实验显示,优化后网络的 MIoU 分数达到

qq_44785998的博客 6197

论文阅读笔记:GhostNet

1. GhostNet Han, Kai, et al. “Ghostnet: More features from cheap operations.” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020. 本文的题目起得很fancy,有一种神秘的色彩,其实读完文章之后,就会觉得ghost这个比喻非常的有趣也很贴切。阅读本文的前提必须对SENet以及深度可分离卷积这些工作有一定的

loki2018的博客 1960

(MobileNets)Efficient Convolutional Neural Networks for Mobile Vision Applications论文阅读笔记

文章目录MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications论文阅读笔记2017Abstract1. Introduction2. Prior Work3. MobileNet Architecture3.1 Depthwise Separable Convolution3.2 Network Structure and Training3.3 Width Multiplier: Thinner

weixin_43422466的博客 724
上一篇: 与感受野相关的几种网络结构
下一篇: 阅读笔记6——通道混洗
晓shuo
晓shuo 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄6年 4万+粉丝 113原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

晓shuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值