空间可分离卷积
Parent: ai_keywords
空间可分离卷积（Spatially Separable Convolution）
核心定义
空间可分离卷积是一种将标准二维卷积核（如 (n \times n)）沿空间维度分解为两个一维卷积核（(1 \times n) 和 (n \times 1)）的优化操作。该分解基于数学上的可分离性条件（核矩阵秩为1），通过先后执行水平方向和垂直方向的一维卷积，显著降低参数数量与计算复杂度（从 (O(n^2)) 降至 (O(2n))），同时保持空间特征提取能力。在卷积神经网络（CNN）中，常被用于加速模型推理、减少过拟合风险，尤其在资源受限的实时系统中。
关键技术点
-
数学分解原理
若二维核 (K) 可表示为 (K = uv^T)（其中 (u) 为列向量，(v) 为行向量），则卷积可等价为：先对输入做 (1 \times n) 卷积，再做 (n \times 1) 卷积。不可分离核需用低秩近似逼近。 -
参数量与计算量
标准 (n \times n) 卷积需 (n^2) 个参数，计算量 (n^2 \cdot H \cdot W)（H,W为特征图尺寸）。空间可分离卷积仅需 (2n) 个参数，计算量约 (2n \cdot H \cdot W)，节省约 ((n-2)/n) 的浮点运算。 -
与深度可分离卷积的区别
深度可分离卷积进一步分离通道维度（逐通道 + 逐点），而空间可分离卷积仅分离空间维度。二者可联合使用（如 MobileNets），但空间分离对核的秩结构有严格要求，常引入精度损失。 -
近似性与适应性
实际核未必完全可分离，需通过 SVD 或学习低秩因子近似。这种近似在边缘检测等低频特征提取中表现良好，但在高频纹理任务中可能丢失细节。
医学/神经科学应用场景
背景：首都医科大学神经病学研究
在 癫痫术前评估 中，长程头皮脑电图（EEG）常需实时检测痫样放电，传统 CNN 因计算负担大难以部署于便携设备。使用空间可分离卷积构建轻量级异常检测网络：
- 先将 EEG 多通道信号重构为二维时空矩阵（时间 × 电极），用 (1 \times 5) 卷积提取瞬时空间特征，再用 (5 \times 1) 卷积捕捉时间序列依赖。
- 参数缩减至标准 (5 \times 5) 卷积的 40%，推理速度提升 2.3 倍（基于 32 电极 256Hz 数据测试），同时保持对棘波、尖慢波的检出率 > 92%。
该方案已嵌入首都医科大学宣武医院开发的闭环电刺激原型系统，实现在体实时监测，显著降低假阳性率，为难治性癫痫的精准干预提供可行路径。
