Mobilenet论文笔记

Mobilenet论文笔记

Mobilenet v1在2017年提出。论文主要贡献是提出__使用逐层卷积+逐点卷积来取代传统CNN中的卷积操作__，从而实现在大幅降低模型计算量的同时，保持较高的特征提取性能。

设输入特征图$F$的尺寸为$D_F\times D_F\times M$，其中$M$为输入通道数；设输出特征图$G$的尺寸为$D_F\times D_F\times N$，其中N为输出通道数。（原论文假设输入输出的特征图大小都是$D_F$）

对于传统的卷积层，设卷积核$K$的尺寸为$D_K\times D_K\times M\times N$，其中$D_K$表示卷积核的大小，$M$表示每个卷积核的通道数（与输入通道数相等），$N$表示卷积核的个数（与输出通道数相等）。步长为1的传统卷积操作可以通过下式表达，这里可以去复习一下传统CNN的多通道卷积操作细节：
$$G_{k,l,n}=\sum _{i,j,m}$$