Depthwise Separable Convolutionの構造と軽量化効果

通常の畳み込み（空間とチャンネルを同時処理）を、空間方向（Depthwise）とチャンネル方向（Pointwise）に分解することで、表現力を概ね維持したまま計算量を 1/N + 1/D_k^2 （約1/8〜1/9）に圧縮します。 ア：正解です。DepthwiseとPointwiseの分離により、エッジデバイス向けの軽量・高速推論を実現します。 イ：誤りです。単なるグレースケール化ではありません。 ウ：誤りです。周波数領域の高速畳み込み（FFT畳み込み）とは異なるアーキテクチャ技術です。 エ：误りです。重みのバイナリ化（Binary Neural Network）とは異なる構造的工夫です。

MobileNetやXceptionで採用されている「Depthwise Separable Convolution」の構成に関する記述として、最も適切なものを1つ選択してください。

出典G検定オリジナル模擬試験
ア
チャンネルごとに独立して空間方向の畳み込みを行う「Depthwise Convolution」と、1×1畳み込みでチャンネル間の結合を行う「Pointwise Convolution」の2段階に分離することで、計算量とパラメータ数を大幅に削減する。
イ
RGBの3チャンネルをグレースケール1チャンネルに事前変換してから通常の3D畳み込みを行う手法。
ウ
画像をフーリエ変換して周波数領域で掛け算を行い、逆フーリエ変換で戻す手法。
エ
重みをすべて1ビット（バイナリ）に量子化して計算する専用ハードウェア手法。