channel-wise卷积–学习笔记

背景：

1. 分组卷积的分组思想会导致channel间的信息阻隔，为了增加分组间的channel信息交流，一般需要添加一个融合层。

2. 一般网络最后都使用全局池化和全连接层进行最后的分类，但参数量巨大，可转化为深度可分离卷积，使用固定权重的深度卷积代替全局池化，pointwise卷积代替全连接层。

3. alexnet使用完全独立的组卷积，两个组之间没有信息交互

4. mobilenet使用深度可分离卷积，使用1X1 point-wise 卷积全连接使各个通道交换信息。（1X1标准卷积是一种全连接结构，从m个特征到n个特征的映射，需要使用n个1X1*m的卷积核）

5. shuffleNet虽然使用完全独立的组卷积，但每次组卷积之前都重新打乱各通道的顺序，实现通道间顺序的交互

channel-wise卷积：

1. 在channel维度上进行滑动，能够更好地保留channel间的信息交流

2. 改变输入到输出的稠密连接方式：将输入输出的维度连接进行稀疏化而非全连接（每个输出仅与部分输入相连，以一定的stride去采样多个相关输入进行输出，能够减低参数量以及保证channel间一定程度的信息流），区别于分组卷积的严格分组。

3. channel-wise卷积使用1个共享的1维卷积核（1个d_c维的卷积核），相当于对原始输入在通道维度上做采样。

4. 一般网络最后是全局池化+全连接层，但是全连接层的参数量十分巨大,将全连接层修改为channel-wise convolution。全局池化相当于DfXDfX1的3D卷积，而channel-wise convolution相当于是1X1XDc的3D卷积，因此两者可以组合成DfXDfXDc的3D卷积，其中  ,是为了保证最后得到n个映射（stride=1 padding=0）。

5. 核心：通过1维卷积，在channel维度上卷积(采样)，实现了分组卷积各通道的稀疏通信，在channel维度上滑动采样，一个组的特征来自多个通道采样，一个通道可以被多个组采样，使得各组的通道信息充分相融

6. channel-wise卷积可视化：

深度可分离卷积：

1. 能够减少网络的计算量和参数量

2.  全连接分类层的权重实际非常稀疏（很多是为0或接近0的值（论文ChannelNets: Compact and Efficient Convolutional Neural Networks via Channel-Wise Convolutions对全连接分类层进行了可视化））