以下哪个关于卷积神经网络的说法是错误的

A. 【神经网络-卷积】常规卷积、空洞卷积、多尺度卷积、分组卷积、可分离卷积、DCN形变卷积

1. 常规卷积

• 定义：卷积，用通俗的话来说就是一个卷积核在图像上滑动，并求取对应元素相乘求和的过程。
• 计算方式：卷积核在输入特征图上滑动并计算内积。
• 超参数：kernel size（卷积核尺寸大小）、padding（输入填充的圈数）、stride（卷积核滑动步长）。
• 输出尺寸计算公式：通过公式计算得出输出特征图的尺寸。

2. 空洞卷积

• 定义：空洞卷积或者膨胀卷积，是在标准的卷积核中注入空洞，以此来增加模型的感受野。
• 目的：解决常规卷积感受野太小的问题。感受野是指特征图上某个点代表输入图像尺寸的大小。
• 计算方式：在卷积核元素之间注入空洞，然后进行常规卷积运算。
• 超参数：空洞率r（dilation rate），即卷积核元素之间插入的r-1个空洞。
• 与常规卷积的关系：空洞卷积核的大小K与常规卷积核的大小k和空洞率r的关系为K = k + (k-1)(r-1)。
• 用途：主要用于语义分割的Deeplab系列。

综上所述，各种卷积方式都有其特定的应用场景和优缺点，在实际应用中需要根据具体需求选择合适的卷积方式。