我应该在最后一个卷积层使用conv 3x3进行语义分割吗?

深入学习 1x1 和 3x3 卷积用于不同的目的。 3x3 对应于一种方便的卷积,对输入数据应用一些滤波器。鉴于 1x1 有点像 Network in Network 从概念上讲,它接近于应用于每个像素的通道值的MLP(没有隐藏层)。它通常用于缩小或扩展特征图通道的数量(降维或扩展),因此可能对以下功能起辅助作用: 3x3 卷积: What does 1x1 convolution mean in a neural network?

另一个众所周知的用法是 1x1 卷积是将来自不同卷积组或其极端版本(深度方向可分离卷积)的信息混合在一起: MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

总而言之, 1x1 卷积通常与 3x3 一个。在最初的模型中,它们可能被用于某个目的,并切换到 3x3 将转变为概念。这并不一定意味着准确度会更差,事实上,它可能会改善或保持不变。

这肯定会导致更大的计算时间。但如果你能负担得起,那就试试吧。