1. MobileNetV2介绍
1.1 摘要:在本文中,我们描述了一种新的移动架构 MobileNetV2,它提高了移动模型在多个任务和基准测试以及各种不同模型大小上的最先进性能。 我们还描述了在我们称为 SSDLite 的新颖框架中将这些移动模型应用于对象检测的有效方法。 此外,我们还演示了如何通过 DeepLabv3 的简化形式(我们称之为 Mobile DeepLabv3)构建移动语义分割模型。 基于反向残差结构,其中快捷连接位于薄瓶颈层之间。 中间扩展层使用轻量级深度卷积来过滤作为非线性源的特征。 此外,我们发现消除窄层中的非线性以保持表征能力非常重要。 我们证明这可以提高性能并提供导致此设计的直觉。 最后,我们的方法允许将输入/输出域与转换的表达性解耦,这为进一步分析提供了方便的框架。 我们测量了 ImageNet分类、COCO 对象检测、VOC 图像分割的性能。 我们评估了精度和乘加法 (MAdd) 测量的操作数量之间的权衡,以及实际延迟和参数数量。
官方论文地址:https://arxiv.org/pdf/1801.04381
官方代码地址:https://github.co