- ShuffleNet基于MobileNet的group思想,将卷积操作限制到特定的输入通道
- 而与之不同的是,ShuffleNet将输入的group进行打散,从而保证每个卷积核的感受野能够分散到不同group的输入中,增加了模型的学习能力
42.1 设计思想
- 采用group conv减少大量参数
- roup conv与DW conv存在相同的“信息流通不畅”问题
- 采用channel shuffle解决上述问题
- MobileNet中采用PW conv解决上述问题,SheffleNet中采用channel shuffle
- 采用concat替换add操作
- avg pooling和DW conv(s=2)会减小feature map的分辨率,采用concat增加通道数从而弥补分辨率减小而带来信息的损失
42.2 网络架构
- MobileNet中1*1卷积的操作占据了约95%的计算量,所以将1*1也更改为group卷积,使得相比MobileNet的计算量大大减少。
- group卷积与DW存在同样使“通道信息交流不畅”的问题,MobileNet中采用PW conv解决上述问题,SheffleNet中采用channel shuffle。
- ShuffleNet的shuffle操作如图所示