【计算机视觉面经一】 1x1卷积的介绍与用处

1x1 卷积不管是不是最早出现在 Network In Network (NIN)，这都是一篇很重要的文章，两点贡献：

• mlpconv, 即引入 1x1 卷积。

传统的 CNN 的一层卷积层相当于一个线性操作，如下图 a，所以只提取了线性特征，隐含了假设特征是线性可分的，实际却并非如此，NIN 中引入 下图 b 中的 mlpconv layer，实质是像素级的全连接层，等价于 1x1 卷积，在其后跟 ReLU激活函数，引入更多的非线性元素。

• 将 CNN 中的全连接层，采用 global average pooling 层代替。

全连接层容易过拟合，减弱了网络的泛化能力。

在这之后，另一个经典的网络 GoogLeNet 的 Inception 结构中沿用了 NIN 中的 1x1 操作，如下图。是金子总会发光，然后是被应用到各个网络中去。

• 1x1 卷积作用

降维和升维：

简单的解释降维，例如，input 的 feature maps 是 16x16，channel=32，通过 一个 1x1，filters 数量为 8 卷积层，output 为 16x16x8。