mobilenet 解析


论文地址

1.简介

MobileNets 基于流线型架构,使用深度可分离卷积来构建轻量级深度神经网络,用于移动和嵌入式视觉应用。该网络引入了两个简单的全局超参数——宽度乘数和分辨率乘数,可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型构建者根据问题的限制条件为其应用程序选择合适大小的模型。
在这里插入图片描述

图1.mobilenet 作为 backbone 可以用于各种视觉任务。

2.mobilenet 结构

2.1.深度可分离卷积

MobileNet 模型基于深度可分离卷积,这是一种分解卷积形式,将标准卷积分解为深度卷积和称为点卷积的 1 × 1 卷积。
在这里插入图片描述

图2.(a) 中的标准卷积滤波器被两层替换:(b) 中的深度卷积和 © 中的点卷积以构建深度可分离滤波器。

(1)标准卷积层

对于标准卷积层,输入特征图 F 大小为 D F × D F × M D_F × D_F × M DF×DF×M ,输出特征图 G 大小为 D G × D G × N D_G × D_G × N DG×DG×N 。其中 D F D_F DF 是正方形输入特征图的空间宽度和高度,M 是输入通道数(输入深度), D G D_G DG 是正方形输出特征图的空间宽度和高度,N 是输出通道数(输出深度)。

标准卷积层的卷积核大小为 D K × D K × M × N D_K × D_K × M × N DK×DK×M×N ,其中 D K D_K DK 是假定为卷积核的空间维度,M 是输入通道数,N 是前面定义的输出通道数。

  • 13
    点赞
  • 84
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值