群卷积:
假设上一层的输出feature map有N个,即通道数channel=N。再假设群卷积的群数目M。则先将channel分成M份。每一个group对应N/M个channel,与之独立连接。然后各个group卷积完成后将输出叠在一起(concatenate),作为这一层的输出channel。
Depthwise Convolution:
像Xception里那样,当群数目是上一层的map数时,Group Convolution就成了Depthwise Convolution
Global Depthwise Convolution:
当群数目是上一层的map数,且卷积核大小和输入尺度一样时,就成了Global Depthwise Convolution
MobileNet
MobileNetV1利用了深度可分离卷积提高了计算效率
MobileNetV2加入了线性bottlenecks和反转残差模块构成了高效的基本模块
ShuffleNet充分利用了组卷积和通道shuffle进一步提高模型效率
CondenseNet学习保留有效的dense连接在保持精度的同时降低
ShiftNet则利用shift操作和逐点卷积代替了昂贵的空间卷积。
MobileNetV3有两大创新点
1)互补搜索技术组合:由资源受限的NAS执行模块级搜索,NetAdapt执行局部搜索。
2)网络结构改进:将最后一步的平均池化层前移并移除最后一个卷积层,引入h-swish激活函数。