卷积神经网络（CNN）是一种广泛用于图像分类、目标检测和图像分割等计算机视觉任务的深度学习模型。在这些任务中，卷积层是CNN的核心组成部分，其中卷积操作是一种有效的特征提取和空间信息建模技术。在卷积层中，1*1卷积也称为“逐点卷积”（pointwise convolution），它在CNN中扮演着重要的角色。

11卷积是一种kernel size 为 11的卷积操作，它在每个输入通道上进行独立的线性变换，并通过非线性激活函数对结果进行处理。1*1卷积实际上相当于全连接层，但是它可以作为卷积层的替代品，在神经网络中引入更强的表达能力。

1. 压缩通道数

使用11卷积可以减少输入特征图的通道数（channel），从而降低计算量和内存消耗。例如，在GoogleNet中，使用11卷积将网络中间的通道数从较高的输入通道数（如96）压缩到较低的输出通道数（如16或24）。这样可以使网络更轻量化，更易于训练和部署。

2. 增加非线性

使用11卷积可以引入非线性，从而增强神经网络的表达能力。在传统的卷积层中，每个输出通道都是由输入特征图的所有通道加权求和得到的，因此对于不同的输入特征，它们的权重是相同的。而11卷积可以让每个输出通道学习自己的权重，这样可以使网络更加灵活，并且能够更好地适应各种复杂的数据分布。

3. 多分辨率特征融合

使用11卷积可以进行多分辨率特征融合，从而提高神经网络的表达能力。在深度神经网络中，常常需要将来自不同层的特征图进行融合，以获取更全面的信息。11卷积可以作为一种简单有效的方法，将不同层的特征图进行融合。例如，在ResNet中，可以使用1x1卷积将不同层的特征图进行融合。

总之，11卷积虽然只是简单的卷积操作，但在CNN中起着非常重要的作用。通过压缩通道数、增加非线性和多分辨率特征融合，11卷积可以增强网络的表达能力、降低计算量和内存消耗，并且容易实现。因此，它已经成为了CNN中的一个常用技巧，广泛应用于图像分类、目标检测和图像分割等领域。