Depthwise Separable Convolution也就是深度可分离卷积，应该见过吧，它其实是由depthwise卷积和pointwise卷积组合而成，同样可以用来提取图像特征，但是它的计算量相对来说要小很多，所以一些轻量模型用了深度可分离卷积比如mobilenet。（以下无标注则均无padding，stride=1）
Depthwise Convolution
DW卷积操作中，每一个卷积核是只负责一个通道的，这与普通卷积一个卷积核负责几个通道是不一样的。比如一个5*5*3的彩色图片作为输入，使用普通卷积那么卷积核就可以设置为3*3*n（n为输出通道数），而DW卷积则为3*3*3（卷积核的数量要与输入通道数量一致），所以一个卷积核只能负责一个通道。
PW卷积
其实在我看来pw卷积就是普通的1*1卷积（个人理解），其卷积核为1*1*n（n为要输出的通道数），pw卷积可以在深度上对输入图片进行融合。
之所以PW和DW卷积配合使用是因为，在经过DW卷积后，不同的通道之间的空间位置信息不能利用，所在再经过PW卷积进行深度融合就可以将其通道信息利用，从而组成了深度可分离卷积。
转置卷积
转置卷积也被人叫做反卷积或者逆卷积，其实正确的叫法就是转置卷积，并不是卷积之后通过转置卷积再得到原来的特征图，转置卷积所得到的上采样特征图中的数值与原特征图并不一样，所以反卷积或者逆卷积的叫法是不好的。在做转置卷积时需要将卷积核进行翻转以及对原图的填充。具体可参考转置卷积（Transposed Convolution）_太阳花的小绿豆的博客-CSDN博客_转置卷积，强推。
膨胀卷积
话不多说直接上图：
文章来源：https://www.toymoban.com/news/detail-502665.html
膨胀卷积在标准卷积的基础上，增加一些空洞，使得在卷积时能够包括更大的感受野。文章来源地址https://www.toymoban.com/news/detail-502665.html
到了这里，关于DW卷积、PW卷积、转置卷积、膨胀卷积（空洞卷积）、可变形卷积一次看个够的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
![[转置卷积(一)] 搞懂转置卷积的计算](https://imgs.yssmx.com/Uploads/2024/02/438240-1.gif)
