MobileNet v1算法解读

论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

1、简介

Mobilenet v1是Google于2017年发布的网络架构，旨在充分利用移动设备和嵌入式应用的有限的资源，有效地最大化模型的准确性，以满足有限资源下的各种应用案例。

2、网络结构

2.1Depthwise Separable Convolution

MobileNet v1的核心为深度可分离卷积。fig2分别展示了标准卷积、深度可分离卷积（Depthwise convolution）以及Pointwise Convolution。

深度可分离卷积简单来说是每个channel层独自进行卷积操作，输入为DF*DF*M，输出为DF*DF*M，kernal为DK*DK*1。

每个channel计算量为DK*DK*DF*DF，总计算量为DK*DK*DF*DF*M。

深度可分离卷积没有融合各个channel之间特征，因此对depthwise输出层通过1*1卷积（pointwise）进行线性融合，产生新特征。

pointwise层输入为DF*DF*M，kernal为1*1*M，输出通道为N，最终输出为DF*DF*N，因此计算量为DF*DF*M*N

而标准卷积计算量为：DK*DK*DF*DF*M*N。

因此Depthwise Separable convolutions with Depthwise and Pointwise layers与标准卷积计算量之比如如所示：

可见MobileNet v1采用的这种Depthwise Separable convolutions极大减小了计算量。

2.2网络结构

MobileNet v1整个网络结构如表一所示。

2.3模型宽度乘子与分辨率乘子

模型宽度乘子α取值为：0.25，0.5，0.75，1。

α用于改变输入channel M为αM，输出chanel N为αN。因此Depthwise Separable convolutions计算量变为：

DK · DK · αM · DF · DF + αM · αN · DF · DF

分辨率乘子ρ ∈ (0, 1]，输入分辨率为224, 192, 160 or 128。ρ=1时，输入分辨率为224*224，改变ρ的大小，从而输入分辨率变为ρ*224.

3.实验

表4对比Depthwise Separable convolutions与全连接层在ImageNet上的准确率以及计算量与参数量。

表5比较窄一些的网络结构与浅一些的网络结构。

表6比较不同宽度乘子下，模型性能。

表7比较不同分辨率乘子下模型性能。

表12是人脸属性分类领域的比较结果。

表13是目标检测方面的对比。