Depthwise Separable Convolution
الالتفاف القابل للفصل بالعمق
تقنية تفكّك الالتفاف التقليدي إلى خطوتين: التفاف بالعمق يُطبّق مرشّحاً مكانياً واحداً على كل قناة دخل بشكل مستقل، ثم التفاف نقطي بحجم 1×1 يمزج مخرجات القنوات جميعها. هذا التفكيك يخفّض التكلفة الحوسبية بمعامل 8 إلى 9 أضعاف مقارنةً بالالتفاف التقليدي.
A technique that factorizes a standard convolution into two steps: a depthwise convolution that applies a single spatial filter per input channel independently, followed by a pointwise 1×1 convolution that mixes all channel outputs. This factorization reduces computational cost by a factor of 8–9× compared to standard convolution.
Also translated asالالتفاف المنفصل بالعمق، الالتفاف العمقي المنفصل
First appears in this corpus in: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications (2017)
Appears in these papers
- A ConvNet for the 2020s2022in the sky ✦
- A ConvNet for the 2020s2022in the sky ✦
- EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks2019in the sky ✦
- EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks2019in the sky ✦
- MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications2017in the sky ✦
- MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications2017in the sky ✦
- SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers2021in the sky ✦