CVPR2018

人脸识别 脸部特效

张翔宇

 

 什么是分组卷积

我们可以回忆一下 普通卷积

feature map有几个 我们的对应的卷积核就需要几个channel

然后我们学习这个 分组卷积 

如图所示，前两个channel 有一个2个channel的卷积核负责，两个与两个对应

 

来自这篇论文

在解释一遍 一个卷积核 处理featuremap的所有通道

而 分组卷积 则是 红对红 绿对绿 黄对黄 分别处理featuremap的四个通道

 

最后 我们看到 这个参数量 少了接近三倍

下面解释一下这个 参数量怎么看

原来的卷积 3*3 是卷积核的大小 要12个通道 有6个卷积核

则是 3*3*12*6

但是现在的分组卷积就不一样了

卷积核大小不变 但是每组的卷积核掌握的通道数不一样 

一个卷积核掌握4个通道 每组两个 也是6个

3*3*4*6

从原来的648减少到 216 可谓是一大进步

显著的降低参数量 进而降低计算量

这也带来了 一些缺点 虽然 做了相应的轻量化，但是也引出了 近亲繁殖的 缺点 

分组卷积 提取的特征没有很好的 全局性  也是这个结构所引起的 组与组之间

不能相互通信 

所以 为了解决这个问题 引入了 channel shuffle 通道重排

 b c 为同一个图 的不同表现形式

从原来的近亲繁殖 变成混血 把不同的基因混合起来

 这是通道重排的过程

可以通过pytorch的api实现

 

一乘以一卷积降维升维

、

 

 我们发现啊

当分的组越多 错误率越低 代表着分类的性能越好

而且对于小模型而言，分组卷积数越大，性能提升越明显

分组卷积变多之后，她的通道数可以加多，保证算力不变的情况下，可以显著提升小网络的表示性能

而且从第二个表可以看出 这个通道重排也有效果提升 shuffle还是work的

越是对于0.5*网络而言，shuffle的提升越明显

 不同的算力消耗级别

 

学习笔记摘录自 同济子豪兄