卷积核设计

• 卷积核设计是深度学习模型设计中的关键部分，卷积核的大小、形状和数量等方面的选择直接影响了模型的性能和特征提取能力。以下是卷积核设计的一些重要考虑因素：

1. 卷积核大小和形状：
   • 卷积核的大小通常以高度（height）和宽度（width）来定义，通常表示为HxW。
   • 卷积核的大小决定了它在输入上滑动时涵盖的感受野大小。较小的卷积核可以捕获细节信息，而较大的卷积核可以捕获更大尺度的特征。
   • 常见的卷积核大小包括3x3、5x5和1x1。3x3卷积核是最常用的，因为它可以有效地捕获局部特征。
2. 卷积核的数量：
   • 卷积核的数量决定了网络中卷积层的复杂度和模型的表达能力。更多的卷积核意味着网络可以学习更多不同的特征。
   • 常见的卷积核数量包括16、32、64等。通常，随着网络深度的增加，卷积核数量也会逐渐增加。
3. 步幅（Stride）：
   • 步幅决定了卷积操作在输入上滑动的距离。较大的步幅会导致输出特征图的尺寸减小，而较小的步幅会保持尺寸。
   • 大步幅卷积可以减小输出尺寸，从而减小计算复杂度，适用于池化操作的替代。小步幅卷积可以保持输出尺寸，有助于保留更多的空间信息。
4. 填充（Padding）：
   • 填充决定了卷积操作在输入的边缘是否允许部分重叠。零填充（Zero-padding）是常见的，可以保持输出尺寸与输入尺寸相同。
   • 有效的填充可以防止输出特征图在卷积操作中缩小得太快，有助于保留边缘信息。
5. 卷积核的初始化：
   • 卷积核的初始化方式对模型的收敛速度和性能有重要影响。常见的初始化方法包括随机初始化、Xavier初始化和He初始化，选择适合任务的初始化方法非常重要。
6. 多尺度卷积：
   • 为了提取不同尺度的特征，可以使用多尺度的卷积核。这可以通过在同一层使用不同大小的卷积核来实现。
7. 转移学习：
   • 可以使用预训练的卷积核，如在ImageNet数据集上预训练的卷积核，然后微调它们以适应特定任务。这通常可以加速模型的训练并提高性能。

• 在设计卷积核时，需要根据具体任务和数据集的需求进行权衡和实验，以找到最佳的配置。通常，模型设计是一个迭代的过程，需要不断尝试不同的卷积核大小、数量和结构，以找到最适合任务的模型架构。

1. 基于参数压缩的卷积设计

1.1 【1×1卷积】

• 卷积核的尺寸等于1的特例，来自《Network in Network》
  

1.2 【1×1卷积典型应用】

• InceptionNet , Xception/MobileNet,SqueezeNet,ResNet/ResNext
  

1.3 【小卷积的使用】

• DC Ciresan等人在Flexible, high performance convolutional neural networks for image classification”中研究表明使用更小的卷积是有利的
  

2. 基于感受野的卷积设计

2.1 膨胀卷积(带孔卷积，strous convolution)

• Google在图像分割系列模型Deeplab中提出了膨胀卷积，不增加实际计算量，但拥有更大的感受野。
  
• 并行模型与串联模型
  

2.2 可变形卷积

• 更灵活的感受野(active convolution , deformable convolution)
  

2.3 非局部卷积

• Non-local卷积-全局感受野
  

3. 基于卷积操作的优化

3.1 移位网络

• ShiftNet使用移位操作来代替卷积操作，Depthwise Convolution的简化，大大降低了计算量
  
  

3.2 加法网络

• AdderNet去除了卷积操作中的乘法，只使用加法
  
  

注意：部分内容来自阿里云天池