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 F F的尺寸为 D F × D F × M D_F \times D_F \times M DF×DF×M,其中 M M M为输入通道数;设输出特征图 G G G的尺寸为 D F × D F × N D_F \times D_F \times N DF×DF×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 D_F DF)
对于传统的卷积层,设卷积核 K K K的尺寸为 D K × D K × M × N D_K \times D_K \times M \times N DK×DK×M×N,其中 D K D_K DK表示卷积核的大小, M M M表示每个卷积核的通道数(与输入通道数相等), N N 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 = ∑ i , j , m K i , j , m , n ⋅ F k + i − 1 , l + j − 1 , m G_{k,l,n}=\sum_{i,j,m}K_{i,j,m,n}\cdot F_{k+i-1,l+j-1,m} Gk,l,n=i,j,m∑