（科普快餐）语义分割经典论文--4：ShuffleNet

ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices (2017)

论文地址：http://arxiv.org/pdf/1707.01083

---

主要内容

为了克服分组卷积带来的副作用，本文提出了一种新的通道重排操作来帮助信息在特征通道间流动。

1.设置了分组卷积的通道重排
2.设置了shuffleNet单元

---

通道重排

作者提出的解决方案就是对1 * 1的卷积采用组卷积的方式，这样逐点卷积的计算量就变成了原来的 1 / g 1/g 1/g，g表示分组的数目。但是如果只是采用分组卷积又带来了一个新的问题，那就是输出的channel只和其所在分组的输入有关，这样减少了channel间的信息交叉之后又会对模型的效果造成负面的影响，如下图（a）所示。

上图中，a是常规的分组卷积，但是其存在的问题是当分组比较多时，各个通道的信息就被隔离开来，此属性会阻塞通道组之间的信息流并削弱表征能力，所以我们做出了b方式的改进，将分组卷积卷积好的特征图进行通道重排（进行了channel间的信息交互），就是将分组后的特征图分成若干份，然后随机按照某一规则进行组合，组合好之后送入到下一次的卷积中，c是b的美观版本。具体实现是通过数据的转置进行实现的。

采用了分组逐点卷积 + channel shuffle的思路，在减少计算量的同时保持了通道间的信息交互，实现了较好的处理效果。

---

shuffleNet单元