MobileNet网络全解

捂好小马甲

已于 2023-04-19 10:21:10 修改

阅读量238

点赞数

文章标签：深度学习人工智能

于 2023-04-07 18:53:31 首次发布

本文链接：https://blog.csdn.net/D_YueChu_F/article/details/129945370

版权

视频链接：7.1 MobileNet网络详解_哔哩哔哩_bilibili
MobileNet(v1) https://arxiv.org/abs/1704.04861
MobileNet(v2) https://arxiv.org/abs/1801.04381
MobileNet(v3) https://arxiv.org/abs/1905.02244
SE模块详解：SE （Squeeze Excitation）模块_se模块_JoannaJuanCV的博客-CSDN博客

传统的卷积神经网络，内容需求大，运算量大，无法再移动设备以及嵌入式设备上运行，因此为了解决这一问题我们采用了MobileNet网络。

MobileNetV1

MobileNet网络主要由DW卷积核PW卷积代替传统卷积组成。

与传统卷积不同，DW卷积计算中，每一个卷积核每次只对一个通道数进行卷积运算，形成的特征图通道数也是一个 。因此输入特征举证的通道数等于卷积核的个数，也等于输出特征矩阵的通道数。

PW卷积，和普通卷积操作一致，只是此时的卷积大小为1，相当于对每一个通道数进行合并运算。

MobileNetV2

增加了倒残差结构
采用了Linear Bottlenecks

传统的残差结构，首先采用1x1的卷积进行降维，在采用3x3的卷积操作，最后使用1x1的卷积进行升维。是两头维度大，中间维度小。呈沙漏型。

而倒残差结构先采用1x1的卷积升维，采用3X3DW 卷积，最后采用1X1的卷积降维。两边的维度小，中间的维度大。倒残差结构中，前两个采用的是Relu6激活函数，最后一个采用线性激活函数。呈梭形。

由图片可以发现，当采用relu激活函数在维度较低的时候可能会导致信息丢失，在高维的时候丢失的信息较少，而我们采用倒残差结构在最后一层输出的时候维度较低，因此采用线性激活函数。瓶颈结构是指从高维空间映射到低维空间，缩减通道数。

MobileNetV3

更新Block（bneck)
使用NAS搜索参数
重新设计耗时层结构

如图所示是MobileNetV3网络更新得到的bneck结构，其中NL意味着采用非线性激活函数，如果不含有NL则采用普通的激活函数。SE模块显式地建模特征通道之间的相互依赖关系，通过学习的方式获得每一个通道的重要程度，然后依照这个重要程度对各个通道上的特征进行加权，从而突出后重要特征，抑制不重要的特征。

与MobileNetV2相比MobileNetV3网络结构只是增加了一个SE模块。SE模块针对每一个channel进行池化处理，得到channel个数的元素，通过两个全连接层得到输出向量，其中第一个全连接层的节点个数等于通道数地1/4（为了简化计算），第二个全连接层地节点个数和通道数保持一致。这个得到的输出相当于原始的特征矩阵的每个通道对应的重要程度，越重要的赋予越大的权重，反之则赋予较小地权重。