MobileNet
- 专为移动端和嵌入式深度学习应用设计的网络结构。
- Aim:得到在较低配置资源具有很好效果的特性。
- 主要特点:轻量化 和 直接使用stride=2的卷积代替池化层。
- 主要创新点:引入 纵向可分离卷积,分解为两个更小的卷积操作:深度卷积 和 逐点卷积。Aim:降低参数量和计算量。
工作过程
- 输入特征图(DF,DF,M),输出特征图(DG,DG,N)。
- 标准卷积核为(DK,DK,M,N)。
- 标准卷积分解为 深度卷积 和 逐点卷积。
- 深度卷积:负责滤波作用(基于输入的feature map提取更高阶的特征),核的大小(Dk,Dk,1,M)。
- 逐点卷积:负责转换通道(合并之前的高阶特征信息,形成最终的feature map),核的大小(1,1,M,N)。
标准卷积
标准卷积计算过程:
标准卷积计算量:
标准卷积过程:合并所有输入通道的卷积结果。
深度卷积
深度卷积计算过程:
深度卷积计算量:
深度卷积过程:对每个输入的通道分别卷积,得到不同的输出卷积结果。
逐点卷积
逐点卷积计算量:
减少计算量:
逐点卷积过程:类似普通的1×1卷积操作。由于深度卷积过程对于每个feature map单独提取特征。所以通过将多个输入的feature map的特征融合来简化。
参数:宽度因子α
- Width Mulitiplier:控制模型大小。用于控制输入和输出的通道数。将输入通道从M变为αM,输出通道从N变为αN。
- α取值:0.25,0.5,0.75,1.0
- 计算量和参数量降低约α^2倍。
参数:分辨率因子ρ
- Resolution Multiplier:控制模型大小。用于控制输入和内部层的表示,控制输出层的分辨率。
- 输入通道常用值:128,、160、192、224。ρ取值范围:(0,1]
MobileNet V2
- 引入shortcut结构,残差结构。
- 使用1×1卷积在depthwise之前进行feature map扩增。
- 在pointwise后使用Linear激活函数,代替ReLU激活函数。防止特征被破坏。