有三AI知识星球的"网络结构"板块已经正式升级为“网络结构1000变”，顾名思义，就是要更新1000 网络结构解读，同时该板块还有以下变化。
- 更新频率由一天一篇提升为一天两篇，预计年内将有500 网络结构解读文章。
- 即将增加分割，检测，跟踪，GAN等各个子领域的内容。
- 模板已经固定为如下的卡片形式，包含“网络名字 摘要 内容”。同时每次会提供论文下载，方便大家收藏与检索。
有三AI知识星球-网络结构1000变
Octave Convolution
Octave Convolution不仅是不同分辨率的分组卷积网络，而且高分辨率和低分辨率通道还存在信息交换，因此可以称为高低频分组卷积网络，比普通的多分辨率分组卷积网络性能更加强大。
作者/编辑 言有三
在前面我们讲述了多尺度通道分组网络Big-Little Net，它的网络结构如下：
它的核心思想就是两个通道具有不同的分辨率，低分辨率通道通道数更多，高分辨率通道通道数更少，从而可以兼顾性能和速度，能在维持性能的情况下，减少30%的计算量。
上面的网络结构有一个特点，那就是两个通道完全没有信息的交换，而只是结果融合，如果两个通道有信息交换呢？
Octave Convolution便是这样的一个结构，它也是一个高分辨率通道 一个低分辨率通道，低分辨率具有较多的通道，被称为低频分量。高分辨率具有较少的通道，被称为高频分量，两者各自学习，并且进行了信息的融合。高分辨率通道通过池化与低分辨率通道融合，低分辨率通过上采样与高分辨率通道融合。
为什么要进行信息融合呢？这实际上来自于图像特征的考虑，一个图像可以分为高频和低频部分，高频拥有更多结构细节，需要高分辨率，低频保留主体信息，只需要低分辨率，但是两者要共同组合才能得到完整的信息，所以通道之间信息的交换是必要的。
该模型最终在22.2GFLOPS的计算量下，ImageNet Top-1的精度达到了82.9%。
目前内容已经超过40篇文章，2万多字，覆盖经典网络，残差网络及其变种，分组网络及其变种，非正常卷积及其变种，时序网络等内容。
