【轻量级网络】MobileNet-v2详解

置顶

姚路遥遥

已于 2024-10-22 22:41:21 修改

阅读量3.1w

点赞数 58

文章标签：卷积网络深度学习人工智能计算机视觉

于 2020-12-20 15:56:47 首次发布

本文链接：https://blog.csdn.net/Roaddd/article/details/111416386

版权

论文：《Inverted Residuals and Linear Bottlenecks: Mobile Networks for Classification, Detection and Segmentation》
论文链接：https://arxiv.org/abs/1801.04381
前文链接：MobileNet-v1详解

概述

MobileNet-v2的主要思想就是在v1的基础上引入了线性瓶颈 (Linear Bottleneck)和逆残差 (Inverted Residual)来提高网络的表征能力，同样也是一种轻量级的卷积神经网络。MobileNet-v1的主要思想就是深度可分离卷积，如果对这个方面不太了解的话，可以参考我的另一篇文章，链接已放在文章开头。

1. MobileNet-v1存在的问题

结构问题：MobileNet-v1的结构非常简单，类似于VGGNet，是一个非常复古的直筒结构。这种结构的性价比其实不高，后续一系列的ResNet、DenseNet等结构已经证明通过复用图像特征，使用Concat/Elwise+等操作进行融合，能极大提升网络的性价比。
Depthwise convolution存在的问题：Depthwise convolution确实是大大降低了计算量，Depthwise+Pointwise的结构在性能上也能接近普通卷积。但是在实际应用时我们发现Depthwsie部分的kernel比较容易训废掉，训练完之后发现Depthwise训出来的kerne