Page 145 - 《软件学报》2024年第4期

闫涛 等: 一种分组并行的轻量化实时微观三维形貌重建方法 1723

和上层特征存在冗余, 跳跃连接可能会引入特征冗余. 而残差连接通过将前一层的输入添加至后续层, 有效
缓解了梯度消失问题, 使得整个网络更易于优化和训练; 其次, 残差连接加速了网络优化过程, 使得网络更
快收敛, 有效减少了训练时间和算力需求; 此外, 残差连接允许底层特征直接传递至较深层并进行特征融合
的操作可有效提升网络性能, 增强对数据细节信息和复杂关系的捕捉能力. 综上所述, 残差连接不仅可有效
改善神经网络的训练优化过程, 而且能够在提高模型性能的同时减少训练时间和计算资源需求, 非常有利于
轻量化网络模型的构建. 因此, 本文设计的网络主干将跳跃连接改为残差连接, 既能有效耦合前后特征信息
的梯度传递, 同时也能降低网络参数量. 图 4 为本文构建的 GPLWS-Net 网络结构示意图.

GPLWS-Net

图 4 GPLWS-Net 网络模型结构
2.4 分组并行模块

基于多聚焦图像序列的三维形貌重建方法主要通过光学成像设备对场景进行等间隔扫描, 由于场景中各
点深度信息的唯一性可得出聚焦最大值点存在唯一性. 分组卷积的子域并行特性完美契合聚焦判定过程中局
部极值点导出全局极值点的特性. 本文重新审视分组卷积的固有特性 ,验证多聚焦图像单峰时序信号中分组
卷积的可用性和高效性.
该模块借鉴深度可分离卷积 [34] , 依据聚焦曲线特性进行重新设计, 用于贴合三维形貌重建过程. 深度可
分离卷积作为常规卷积的流行变体, 其核心在于通过拆分空间维度和通道维度的相关性, 减少卷积计算所需
的参数. 深度可分离卷积由两层卷积代替原有普通卷积层, 其中包含对单通道数据进行特征提取的逐深度卷
积(depthwise convolution)和对单维度进行特征融合的逐点卷积(pointwise convolution).
对于输入序列 I∈ C×H×W (C, H, W 分别为通道、图像高和宽), 深度卷积对每个输入通道应用单个卷积核
W∈ k×k (k 为卷积核大小)计算输出的序列 O∈ C×H×W , 然后逐点卷积应用 1×1 的卷积核将深度卷积的输出进行
2
2
线性组合. 与具有运算量的常规卷积相比, 深度可分离卷积的运算量低至 k ×c×H×W+H×W×c , 约为常规卷积
2
的 1/k . 尽管深度可分离卷积显著提高了模型的运行速度和减少了计算成本, 但仍面临分组过多导致内存访
问量过大与单层特征抽取等问题.
本文将原有的逐通道卷积改为分组卷积平衡精度与效率, 可有效契合三维形貌重建过程聚焦最大值的并
行查找过程. 此外, 本文仍保留 1×1 卷积对全域聚焦最大值进行整合. 研究表明: 引入通道重洗(channel