记录一下MOBILENETV2

论文：
https://arxiv.org/pdf/1801.04381.pdf
可以参考一篇文章：
https://blog.csdn.net/u011995719/article/details/79135818
再换个文章推荐一下：
https://blog.csdn.net/Julialove102123/article/details/80042929
关注一下
宽度因子（width multiplier）和分辨率因子（resolutionmultiplier）

代码：
tensorflow.models.research.slim.nets.mobilenet.mobilenet_v2.py

    spec=[
        op(slim.conv2d, stride=2, num_outputs=32, kernel_size=[3, 3]),
        op(ops.expanded_conv,
           expansion_size=expand_input(1, divisible_by=1),
           num_outputs=16),
        op(ops.expanded_conv, stride=2, num_outputs=24),
        op(ops.expanded_conv, stride=1, num_outputs=24),
        op(ops.expanded_conv, stride=2, num_outputs=32),
        op(ops.expanded_conv, stride=1, num_outputs=32),
        op(ops.expanded_conv, stride=1, num_outputs=32),
        op(ops.expanded_conv, stride=2, num_outputs=64),
        op(ops.expanded_conv, stride=1, num_outputs=64),
        op(ops.expanded_conv, stride=1, num_outputs=64),
        op(ops.expanded_conv, stride=1, num_outputs=64),
        op(ops.expanded_conv, stride=1, num_outputs=96),
        op(ops.expanded_conv, stride=1, num_outputs=96),
        op(ops.expanded_conv, stride=1, num_outputs=96),
        op(ops.expanded_conv, stride=2, num_outputs=160),
        op(ops.expanded_conv, stride=1, num_outputs=160),
        op(ops.expanded_conv, stride=1, num_outputs=160),
        op(ops.expanded_conv, stride=1, num_outputs=320),
        op(slim.conv2d, stride=1, kernel_size=[1, 1], num_outputs=1280)
    ],

卷积层实现：
在：tensorflow.models.research.slim.nets.mobilenet.conv_block.py
@slim.add_arg_scope
def expanded_conv(input_tensor,
num_outputs,
expansion_size=expand_input_by_factor(6),
stride=1,
rate=1,
kernel_size=(3, 3),
residual=True,
normalizer_fn=None,
project_activation_fn=tf.identity,
split_projection=1,
split_expansion=1,
expansion_transform=None,
depthwise_location=’expansion’,
depthwise_channel_multiplier=1,
endpoints=None,
use_explicit_padding=False,
padding=’SAME’,
scope=None):
中实现。
MOBILENET V2可以在SSD、DEEPLABV3+中作为基础网络被使用。
我个人理解除了激活层使用RELU6、最后一层不使用激活层外，没有其他特别需要关注的地方。
主要还是针对特征偏少的网络做的优化。

DEEPLAB V3+使用MOBILENET的时候是没有ASPP和DECODER的，可以看一下DEEPLAB V3+的代码。