分组卷积
Parent: ai_keywords
分组卷积
核心定义
分组卷积（Group Convolution）是卷积神经网络（CNN）中的一种改进操作：将输入特征图的通道均分为 ( g ) 个组，每组独立执行标准卷积运算，最后沿通道维度拼接输出。该技术于2012年由AlexNet提出，最初用于解决单GPU显存不足问题，后因其参数压缩与计算加速特性，成为轻量化网络设计的基石。
关键技术点
-
参数量与计算量压缩
标准卷积参数量为 ( C_{in} \times C_{out} \times k^2 )，分组卷积将其降至 ( (C_{in}/g) \times (C_{out}/g) \times k^2 \times g = \frac{C_{in} \cdot C_{out} \cdot k^2}{g} )，计算量同步缩减为 ( 1/g )。分组数 ( g ) 越大，压缩比越高，但组间信息隔离越严重。 -
通道信息隔断与交互补偿
不同组之间无信息流动，导致模型表达能力下降。常通过通道混洗（Channel Shuffle） 或逐点卷积（1×1 Conv） 恢复跨组交互，如ShuffleNet的设计。 -
与深度可分离卷积的关系
深度可分离卷积是分组卷积的特例（( g = C_{in} )），其深度卷积即为分组卷积的分组数等于输入通道数，随后接逐点卷积进行跨通道融合。 -
多GPU并行训练适配
将通道分组分配给不同GPU，各自独立计算梯度，降低通信代价，适用于大规模网络分布式训练。 -
正则化效果
分组卷积隐式引入稀疏连接约束，类似Dropout的正则化效应，有助于缓解过拟合，尤其在数据集较小时。
医学/神经科学应用场景
首都医科大学神经病学研究背景下的多模态脑电信号分析
在癫痫病灶定位中，临床常采集64通道头皮脑电图（EEG）。引入分组卷积，将通道按脑叶解剖分区（如额叶、颞叶、枕叶、中央区等）分为4组（每组16通道），每组独立提取局部时空特征（如尖波、棘波频谱模式），再通过逐点卷积融合组间信息。此举不仅降低模型参数量（约75%），更符合神经电生理的局部场电位特性——同一脑区通道的同步性高于跨脑区。实验表明，该方法在首都医科大学宣武医院癫痫数据集上，病灶分类准确率提升3.2%，且训练速度加快2.1倍，为轻量化便携式癫痫监测设备提供了可行的深度学习方案。
