DiCENet: Dimension-wise Convolutions for Efficient Networks
这篇论文提出了DiCE模块，DiCE模块是可以理解为是升级版的pointwise convolusion(每个spatial location不同卷积核)或者depthwise convolution(本文作者将其理解为Height-wise convolution)
目前这里选读这一篇是因为看好它在单目3D检测中的潜力。因为它在多个轴上分组卷积，会彻底打破系统的平移不变性以及对称性。
DiCE unit
depth-wise convolution指代的是基础的分组卷积
width-wise convolution与height-wise的算法是将对应维度旋转到dim=1处(pytorch cnn默认的特征维度)，然后直接分组CNN
再transpose回去，三个分支得到三个 的矩阵
合并的方法，作者代码的算法是先torch.cat,然后执行channel shuffle.直接糅合起来的代码是stack(dim=2) -> reshape
合并之后使用分组卷积融合来自不同分支的特征，此后再分支，模仿的是Squeeze_and_excitation.其中一个分支通过spatial平均与FC连接得到channel wise的权重，然后做一个分组卷积得到，两者相乘输出。
不同形状的输入
本文这里使用的是pytorch的自适应avgpool来具体实现。