شبکه‌های عصبی کانولوشنال ( سی‌ان‌ان) می‌توانند برای یادگیری ویژگی‌ها و همچنین طبقه‌بندی داده‌ها با کمک قاب‌های تصویر استفاده شوند. انواع مختلفی از CNN وجود دارد. یک دسته از CNN ها شبکه های عصبی کانولوشنال قابل تفکیک عمیق هستند.
آیا ResNet Depthwise کانولوشن قابل جداسازی است؟
شبکه عصبی باقیمانده عمیق (ResNet) به موفقیت بزرگی در برنامه های بینایی کامپیوتری دست یافته است. … [35] با موفقیت قابلیت جداسازی لایه‌های پیچشی را در زمینه بخش‌بندی معنایی بینایی رایانه اعمال کرده‌اند.
آیا MobileNet دارای کانولوشن قابل جداسازی عمیق است؟
MobileNet از پیچش‌های قابل جداسازی عمیق استفاده می‌کنداین به طور قابل توجهی تعداد پارامترها را در مقایسه با شبکه با پیچش های منظم با عمق یکسان در شبکه ها کاهش می دهد. این منجر به شبکه های عصبی عمیق سبک وزن می شود. یک پیچیدگی قابل تفکیک عمیق از دو عملیات ساخته شده است.
پیچیدگی Depthwise چیست؟
پیچیدگی عمقی نوعی پیچیدگی است که در آن یک فیلتر کانولوشنال برای هر کانال ورودی اعمال می کنیم در پیچیدگی دوبعدی معمولی که روی چندین کانال ورودی انجام می شود، فیلتر به اندازه عمق است. ورودی و به ما اجازه می دهد آزادانه کانال ها را برای تولید هر عنصر در خروجی ترکیب کنیم.
آیا هسته کانولوشن از نظر مکانی قابل تفکیک است؟
پیچیدگی قابل تفکیک فضایی یک پیچیدگی را به دو عملیات مجزا تجزیه می کند. در کانولوشن معمولی، اگر یک هسته 3×3 داشته باشیم، مستقیماً آن را با تصویر در هم می‌کشیم. می‌توانیم یک هسته 3×3 را به یک هسته 3×1 و یک هسته 1×3 تقسیم کنیم.
