Depthwise Convolution er en type foldning, hvor vi anvender et enkelt foldningsfilter for hver inputkanal. I den almindelige 2D-foldning udført over flere inputkanaler er filteret lige så dybt som inputtet og lader os frit blande kanaler for at generere hvert element i outputtet.
Hvad er dybde- og punktvis foldning?
Dybdevis foldning, dvs. en rumlig foldning udført uafhængigt over hver kanal af en input. Punktvis foldning, dvs. en 1x1 foldning, der projicerer kanalerne, der udsendes af den dybdegående foldning, på et nyt kanalrum.
Hvad er en punktvis foldning?
Pointwise Convolution er en type foldning, der bruger en 1x1-kerne: en kerne, der itererer gennem hvert enkelt punkt. … Det kan bruges sammen med dybdegående viklinger til at producere en effektiv klasse af viklinger kendt som dybdeadskillelige viklinger.
Hvilket af følgende netværk har dybdevis separerbar foldning?
Deep residual neural network (ResNet) har opnået stor succes i computervision-applikationer. Endvidere har Chen et al. [35] har med succes anvendt dybdegående adskillelige foldningslag inden for semantisk segmentering computervision.
Hvordan fungerer 3D-foldning?
I 3D-foldning kan et 3D-filter bevæge sig i alle 3-retninger (højde, bredde, billedets kanal). Påhver position giver den elementvise multiplikation og addition ét tal. Da filteret glider gennem et 3D-rum, er outputtallene også arrangeret i et 3D-rum. Outputtet er så en 3D-data.
