轻量级神经网络MobileNet [V1 V2 V3]主要思想

1. MobileNet,从V1到V3

https://zhuanlan.zhihu.com/p/70703846

1.1 MobileNet V1

主要思想:

  1. 采用了深度可分离卷积(depthwise separable convolution)来提高网络的计算速度,depthwise separate convolution包含了深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)。
    在这里插入图片描述
    在这里插入图片描述

  2. 激活函数采用的是ReLU6
    在这里插入图片描述
    在这里插入图片描述

1.2 MobileNet V2

主要思想:

  1. Expansion layer
    在DW深度卷积之前使用PW卷积进行升维(升维倍数为t,t=6),再在一个更高维的空间中进行卷积操作来提取特征

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MobileNet是一种轻量级的卷积神经网络主要用于在移动设备和嵌入式系统上进行实时图像分类和对象检测。MobileNet系列共有三个版本,分别为MobileNet v1MobileNet v2MobileNet v3,下面简述一下它们的特点和区别: 1. MobileNet v1MobileNet v1是第一个版本的MobileNet,它采用了深度可分离卷积(Depthwise Separable Convolution)的结构,将标准卷积拆分为深度卷积和逐点卷积两个步骤,从而大大减少了参数量和计算量。MobileNet v1在ImageNet数据集上取得了不错的分类精度和较快的推理速度,但是仍然存在一些性能瓶颈,如计算效率和模型精度之间的平衡。 2. MobileNet v2MobileNet v2MobileNet系列的第二个版本,它在MobileNet v1的基础上进行了改进,引入了Inverted Residual Block和Linear Bottleneck结构。Inverted Residual Block是一种新的残差块,它通过将扩张卷积和逐点卷积结合起来,提高了网络的非线性表达能力;Linear Bottleneck则是一种线性瓶颈结构,可以有效地降低模型的计算量。MobileNet v2在保持模型轻量化的同时,进一步提升了模型的精度和计算效率。 3. MobileNet v3MobileNet v3MobileNet系列的最新版本,主要在两个方面进行了改进,即网络结构和训练策略。MobileNet v3引入了多种新的操作,如Squeeze-and-Excitation模块、Hard-swish激活函数和可分离卷积等,从而进一步提高了网络的精度和计算效率。此外,MobileNet v3还采用了自适应计算时间的训练策略,可以根据不同的硬件环境自动调整网络的计算量,从而适应不同的应用场景。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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