分组卷积(Group Convolution)：
输入通道数 c i n c_{in} cin​，输出通道数 c o u t c_{out} cout​, 将输入feature map分为 G G G组，每组分别卷积，最后进行拼接。

分组卷积作用：

1. 参数量减少为原来的 1 / G 1/G 1/G
   分组前： c i n c o u t k 2 c_{in}c_{out}k^2 cin​cout​k2
   分组后： c i n G c o u t G c o u t k 2 G = c i n c o u t k 2 G \displaystyle \frac{c_{in}}G\frac{c_{out}}Gc_{out}k^2G=\frac{c_{in}c_{out}k^2}G Gcin​​Gcout​​cout​k2G=Gcin​cout​k2​
2. 分组卷积可看做结构化稀疏(structured sparse)，相当于正则。

分组卷积中，令分组数 G = c i n = c o u t G = c_{in} = c_{out} G=cin​=cout​，分组卷积就成了深度卷积，参数量进一步减少。

逐点卷积就是1x1的普通卷积。
因为深度卷积没有融合通道间信息，所以需要配合逐点卷积使用。