以下哪個關於卷積神經網路的說法是錯誤的

A. 【神經網路-卷積】常規卷積、空洞卷積、多尺度卷積、分組卷積、可分離卷積、DCN形變卷積

1. 常規卷積

• 定義：卷積，用通俗的話來說就是一個卷積核在圖像上滑動，並求取對應元素相乘求和的過程。
• 計算方式：卷積核在輸入特徵圖上滑動並計算內積。
• 超參數：kernel size（卷積核尺寸大小）、padding（輸入填充的圈數）、stride（卷積核滑動步長）。
• 輸出尺寸計算公式：通過公式計算得出輸出特徵圖的尺寸。

2. 空洞卷積

• 定義：空洞卷積或者膨脹卷積，是在標準的卷積核中注入空洞，以此來增加模型的感受野。
• 目的：解決常規卷積感受野太小的問題。感受野是指特徵圖上某個點代表輸入圖像尺寸的大小。
• 計算方式：在卷積核元素之間注入空洞，然後進行常規卷積運算。
• 超參數：空洞率r（dilation rate），即卷積核元素之間插入的r-1個空洞。
• 與常規卷積的關系：空洞卷積核的大小K與常規卷積核的大小k和空洞率r的關系為K = k + (k-1)(r-1)。
• 用途：主要用於語義分割的Deeplab系列。

綜上所述，各種卷積方式都有其特定的應用場景和優缺點，在實際應用中需要根據具體需求選擇合適的卷積方式。