论文记录_MobileNets Efficient Convolutional Neural Networks for Mobile Vision Application

• 本文个人博客地址：点击查看
• Tensorflow 中的实现：点击查看
• Caffe 中的实现：点击查看

1、概述

• Google在2017年提出的适用于手机端的神经网络模型
• 主要使用了深度可分离卷积Depthwise Separable Convolution 将卷积核进行分解计算来减少计算量
• 引入了两个超参数减少参数量和计算量
  
  • 宽度乘数（Width Multiplier）: [减少输入和输出的 channels ]
  • 分辨率乘数（Resolution Multiplier）：[减少输入输出的 feature maps 的大小]

2、深度可分离卷积（Depthwise Separable Convolution）

• 可以将一个标准卷积核分成一个深度卷积depthwise convolution 和 一个1X1的卷积（叫作逐点卷积pointwise convolution）。如下图所示

2.1 标准卷积

• 标准的卷积层是将维度为$D_F \times D_F \times M$的输入层转化为维度为$D_G \times D_G \times N$ [ 上篇论文中也有提到]
  
  • $D_F$ 是输入feature map的长和宽，M 是输入的通道数（channels）
  • $D_G$ 是输出feature map的长和宽，N 是输出的通道数
• 假设卷积核filter的大小是$D_k \times D_k$，则标准卷积的计算量是 $$D_k \cdot D_k \cdot M \cdot N \cdot D_F \cdot D_F$$
  
  • 引用上篇论文中的图, 只看kernel matrix 部分，$D_k \cdot D_k$就是一个方格的大小，然后乘上输入和输出的channels个数，然后作用在input feature maps
    
• 标准卷积是这样的, 即不管当前pixel有多少channels，卷积之后就是一个channel

2.2 Depthwise Separable Convolution

• 分为两个步骤
  
  • 第一步深度卷积：卷积核的大小是$D_k \times D_k \times 1 \times M$，所以总的计算量是： $$D_k \cdot D_k \cdot M \cdot D_F \cdot D_F$$
  • 第二步逐点卷积：卷积核大小是$1 \times 1 \times M \times N$，所以总的计算量是： $$M \cdot N \cdot D_F \cdot D_F$$
• 所以和标准的卷积相比计算量比率为： $${D_k \cdot D_k \cdot M \cdot D_F \cdot D_F + M \cdot N \cdot D_F \cdot D_F \over D_k \cdot D_k \cdot M \cdot N \cdot D_F \cdot D_F} = {1 \over N} + {1 \over D_k^2}$$
  
  • MobileNet使用的是3x3的卷积核，所以计算量可以减少8-9倍 (因为比率是1/N+1/9)
• 第一步深度卷积操作是在每一个channel上进行的卷积操作

- 第二步逐点卷积才是结合起来

3. 神经网络结构

• MobileNet共有28层（深度卷积和逐点卷积分开来算）
• 之前标准的结构是卷积层之后跟上Batch Normalization层和Relu激活函数，这里引入Depthwise separable convolution之后的结构如下图
  
  • 每一层都跟上了BN层和激活函数
• 总的结构

4. 宽度乘数（Width Multiplier）

• 引入超参数$\alpha$, 目的是使模型变瘦,
• 即输入层的channels个数M，变成$\alpha M$，输出层的channels个数N变成了$\alpha N$
• 所以引入宽度乘数后的总的计算量是 $$D_k \cdot D_k \cdot \alpha M \cdot D_F \cdot D_F + \alpha M \cdot \alpha N \cdot D_F \cdot D_F$$
  
  • 一般$\alpha \in (0,1]$，常取的值是1, 0.75, 0.5, 0.25,
  • 大约可以减少参数量和计算量的$\alpha ^2$

5. 分辨率乘数 （Resolution Multiplier）

• 引入超参数$\rho$，目的是降低图片的分辨率
• 即作用在输入的feature map上
• 所以再引入分辨率乘数后总的计算量是： $$D_k \cdot D_k \cdot \alpha M \cdot \rho D_F \cdot \rho D_F + \alpha M \cdot \alpha N \cdot \rho D_F \cdot \rho D_F$$
  
  • 一般输入图片的分辨率是224, 192, 160 or 128
  • 大约可以减少计算量的$\rho ^2$

6. 实验结果

• 关于超参数的选择，下图可以看出准确度和参数量和参数运算量的关系，之间有个trade off，合理选择参数即可

• 还在细粒度的识别，大规模地理位置识别，人脸属性提取，目标检测和人脸识别等任务上进行了测试，效果也很好

7. 总结

• 主要是基于depthwise separable convolution
• 引入了两个超参数
  
  • [ 第一个宽度乘数就是减少feature map，以此来降低模型厚度 ]
  • [ 第二个分辨率乘数就是缩小feature map的大小，来减少计算量]
• [ 超参数的选择是有个trade off的 ]

Reference

• https://arxiv.org/abs/1704.04861
• https://github.com/tensorflow/models/blob/master/slim/nets/mobilenet_v1.md
• https://github.com/shicai/MobileNet-Caffe
• http://machinethink.net/blog/googles-mobile-net-architecture-on-iphone/