论文地址:https://arxiv.org/abs/1704.04861;
https://arxiv.org/abs/1704.04861
1.背景
MobileNet是轻量化网络的代表之作,与VGG16相比,其准确率下降了0.9%,而参数大大降低,接近1/32,使其在移动端部署成为可能。以MobileNet为代表的网络,可以在移动终端实现众多的应用,包括目标检测,目标分类,人脸属性识别和人脸识别等,使移动终端、嵌入式设备运行神经网络模型成为可能 以MobileNet为代表的网络,可以在移动终端实现众多的应用,包括目标检测,目标分类,人脸属性识别和人脸识别等,使移动终端、嵌入式设备运行神经网络模型成为可能
在更小结构(引入两个超参数)的MobileNet中,在参数量减少了四十多倍的条件下,性能超越了Alexnet,accuracy达到60.2%,体现了本文方法的高效性。 在更小结构的MobileNet中,体现了本文方法的高效性。
2.MobileNet网络结构
一共28层(不加入Avgpool 和 softMax层),13x2 +1+1 = 28;
2.1 深度可分离卷积
深度可分离卷积 (DSC)= 深度卷积(DW)+ 逐点卷积(PW);其中,深度卷积是指对每个输入通道采用不同的卷积核,例如,我们输入图像是RGB三通道,此时就有3个卷积核与之一一对应。;而PW卷积其实和普通的卷积一摸一样,只不过卷积核大小为1x1。
如图一,是一个标准的普通的普通卷积层,它是由一个3x3卷积+一个批量归一化+一个ReLU,图二是个深度可分离卷积层,它是由一个3x3的深度卷积层+BN+ReLU+DW卷积+BN+ReLU,这是一个标准的深度可分离卷积层,也就是DSC = DW+PW。
2.2 mobilenet超参数
超参数有两个,一个是宽度超参数,一个是分辨率超参数,目的是可以适应更小的模型,消耗更小的算力。