MobileNet论文阅读笔记

最新推荐文章于 2024-07-26 08:59:41 发布
最新推荐文章于 2024-07-26 08:59:41 发布
阅读量7.6k 收藏 7
点赞数 2
分类专栏： 论文阅读 文章标签： 谷歌 深度学习与计算机视觉 网络结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhang1bao2/article/details/77800941
版权

MobileNet

（1）文章介绍

  • google 201704在archive上的论文。
  • 采用depthwise separable卷积核，减少计算量和模型大小。
  • 引入了两个超参数，用于选择合适大小的模型。
  • 在imagenet, object dectection, face atrributes,分类等任务上验证了效果。

（2）核心思想

将标准卷积层分解为depthwise conv和 pointwise conv(1*1)两个卷积层。即一个depthwise separable卷积核包括depth wise卷积操作和pointwise卷积操作。

对于标准卷积,输入大小为D_f*D_f*M,输出大小为D_f *D_f *N,卷积核的大小为D_k*D_k*M*N。（这里假设stride为 1，padding=0, 因此长宽不变）
这里写图片描述
标准卷积计算： F和G分别表示输入和输出特征图，(s=0, p=1, h_o = h_in -k + 1)
这里写图片描述
计算量分析：(要计算出D_f * D_f个值， 计算每个值需要对应的所有对应滑动窗口的值相乘，然后所有通道的值相加merge, 这里加法的计算量忽略不计）
这里写图片描述

第一步为depth wise卷积

对于输入的每一个通道分别用1个D_k * D_k*1的卷积核进行卷积，共使用了M个卷积核，操作M次，得到M个D_f * D_f * 1的特征图。这些特征图分别是从输入的不同通道学习而来，彼此独立。
这里写图片描述
depth wise计算（注意与标准卷积对比

最低0.47元/天 解锁文章
xiaomr22
关注
专栏目录
经典论文解析——MobileNet系列
Lavendelion的博客
02-06 2831
MobileNet系列V1—MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications1. 简介2. 网络介绍2.1 深度可分离卷积(Depthwise Separable Convolution)2.2 网络结构2.3 超参数1——Width Multiplier α2.4 超参数2——Res...
论文阅读计划---mobileNetV1
chengken2447的博客
07-18 136
摘要 提出并定义mobileNet的定义，一种轻量级的应用于移动网络以及嵌入式系统的网络。提供俩个超参数定义，用于调整网络规模针对实际问题。 介绍 该部分主要分为3个模块。 总结先前小模型的获取方法以及优势与缺点，提出当前模型与他们的区别。 Mobilenet的网络结构。 该模型的对...
经典CNN模型（七）：MobileNetV1（PyTorch详细注释版）
最新发布
qq_51872445的博客
07-26 917
在传统卷积神经网络因内存和运算量庞大而难以适配移动及嵌入式设备的背景下，2017 年，Google 团队应运推出了 MobileNetV1，这是一种专为资源受限环境设计的轻量级深度学习模型。相较于传统网络如 VGG16，MobileNetV1 在仅牺牲 0.9%的准确率的前提下，实现了模型参数精简至 VGG16 的 1/32，大幅削减了计算复杂度，从而在确保较高识别精度的同时，特别适合在移动设备和嵌入式系统上高效运行。
论文分享 | 轻量级网络之mobilenet v1
geek_wh2016的博客
06-05 1130
卷积神经网络广泛应用在各种任务，比如图像分类、目标检测等，性能也越来越好，但都趋向于使用更深更复杂的结构来提升性能而不太关注计算代价，使得将这些模型直接部署在移动设备困难重重。本文针对传统卷积计算量大的缺点，对传统卷积模块进行了改进，该结构更高效，为在移动设备上部署带来了可能。Roofline Model在介绍具体的原理之前，我们先来与模型计算性能相关的几个概念： （1）计算量：对于给定大小的输入...
【论文翻译】MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
weixin_34199335的博客
05-10 211
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/pdf/1704.04861.pdf 摘要和Prior Work就略了，懒：） Summary: 总的来说，MobileNet相对于标准卷积过程有以下几点不同： 1) 将标...
MobileNet系列论文——MobileNet V1
qq_38156104的博客
06-16 656
1.MobileNet V1 这篇论文是谷歌在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。该论文最大的创新点是，提出了深度可分离卷积（depthwise separable convolution）。 首先，我们分析一下传统卷积的运算过程，请如下动图或者这篇博客。可以看出，传统卷积分成两步，每个卷积核与每张特征图进行按位相成然后进行相加，此时，计算量为DF∗DF∗DK∗DK∗M∗N，其中DF为特征图尺寸，DK为卷积核尺寸，M为输入通道数，N为输出通道数。 然后，重点介绍.
论文阅读笔记(七)——Thin MobileNet
InkBamboo920的博客
01-29 515
论文阅读笔记(十二)——Thin MobileNet Architecture 前言 还剩两篇，自己这周任务就完成了，冲冲冲 1 论文简介 1.1 关于文章 论文名称:Thin MobileNet: An Enhanced MobileNet Architecture 百度网盘:原文链接 提取码：v7la 1.2 关于模型 又是一个mobilenet的变体~ 2 文章正文 2.1 摘要 在计算机领域，移动和嵌入式视觉卷积神经网络（CNN）是深度学习模型，在目标检测和识别中起着重要作用。 为此，Mobile
MobileNet V2阅读笔记
DU_YULIN的博客
08-03 817
文章目录前言摘要（Abstract）1. 介绍（Introduction）2. 相关工作（Releated Work）3. 预习，讨论和直觉（Preliminaries, dicusssion and intuition）3.1 基于深度可分离的卷积（Depthwise Separable Convolutions）3.2 线性瓶颈层（Linear Bottlenecks）总结 前言 今天开始阅读轻量级分类网络MobileNet v2， 这里写下阅读笔记，方便以后复习。 论文标题：MobileNetV2:
Mobilenet论文笔记
qq_41174706的博客
07-05 301
Mobilenet论文笔记 Mobilenet v1在2017年提出。论文主要贡献是提出__使用逐层卷积+逐点卷积来取代传统CNN中的卷积操作__，从而实现在大幅降低模型计算量的同时，保持较高的特征提取性能。 设输入特征图FFF的尺寸为DF×DF×MD_F \times D_F \times MDF​×DF​×M，其中MMM为输入通道数；设输出特征图GGG的尺寸为DF×DF×ND_F \times D_F \times NDF​×DF​×N，其中N为输出通道数。（原论文假设输入输出的特征图大小都是DFD_F
图像超分辨率论文阅读笔记
10-08
本文将根据“图像超分辨率论文阅读笔记”这一主题，深入探讨相关的理论基础、主要方法和技术进展。 首先，我们从理论基础出发。图像超分辨率重建的基本原理基于图像的先验知识，例如空间连续性、边缘保持和高频信息...
MobileNetV1&V2;的论文和PPT
05-24
这个是我学习MobileNetV1&V2;的论文和自己做的用于汇报的PPT，还有程序，可供下载学习
MobileNet-V1论文阅读
Muggle的博客
11-16 2460
虽然网上有很多论文解读，但是只有自己读过记录下来印象才更深。论文链接： https://arxiv.org/pdf/1704.04861.pdf​arxiv.org 摘要 我们提出了一类用于移动和嵌入式视觉应用的高效模型，称为mobilenet。mobilenet基于流线型架构，使用深度可分离卷积构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地权衡延迟和准确性。这些超参数允许模型构建者根据问题的约束条件为他们的应用选择合适的模型尺寸。在ImageNet分类上，我们进行了大量的资源
论文笔记：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
jinshuihe~_~
09-07 387
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications MobileNets是基于深度可分离卷积（depthwise separable convolution）而设计的轻量级深度神经网络 主要的思想是将一个标准卷积（standard convolution）分解成两个卷积，一个是深度...
【论文阅读】Mobile Net 系列【V1—V3】
想当咸鱼的猫
10-30 2963
1. MobileNet V1 1.1 Abstract 我们提出了一类用于移动和嵌入式视觉应用程序的高效模——MobileNet，此模型使用深度可分离卷积来构建轻量级深度神经网络。我们还介绍了两个超参数：用于控制模型的延迟（模型运行时间）和准确率 1.2 Introduction 在计算机视觉中，目前存在的一般趋势是制造更深更复杂的网络以实现更高的准确性。但是，在现实世界中的应用程序中，需要在有限的平台上以低延迟的方式实现识别任务。 最近出现的许多方法只是关注模型的大小，而没有考虑速度，主要通过压缩预训练
MobileNetv1论文详解
09-29 761
OpenCV、场景文本识别、去雨、机器学习、风格迁移、视频目标检测、去模糊、显著性检测、剪枝、活体检测、人脸关键点检测、3D目标跟踪、视频修复、人脸表情识别、时序动作检测、图像检索、异常检测等一个大小为 h1×w1h_1\times w_1h1​×w1​ 过滤器（ 维卷积核），沿着 的左上角移动到右下角，过滤器每移动一次，将过滤器参数矩阵和对应特征图 h1×w1×c1h_1 \times w_1 \times c_1h1​×w1​×c1​ 大小的区域内的像素点相乘后累加得到一个值，又因为 的数量（通道数
MobileNet v1论文笔记
qq_20095389的博客
09-16 399
MobileNet 论文笔记 论文链接 概述 论文思想非常简单，主要就是利用depthwise CNN的结构来减少计算量，从而减小模型大小。论文提出了两个超参数，可以简单的调整模型大小。出发点一个是从Filter大小上，一个是从Feature大小上。 模型结构 超参数1：Width Multiplier 简单来说这个就是调整Filter大小，进而减小模型大小 ...
MobileNet V1论文解读
liguiyuan的博客
05-21 1594
paper地址：https://arxiv.org/abs/1704.04861?context=cs 1. 介绍 MobileNet V1论文是google 在2017年4月提出的，作者先描述了现在的网络越来越网深层，准确率在不断的提高，伴随计算量越来越大，网络的效率并没有得到提升，表现在模型的大小（size）和速度（speed）方面，于是提出了这个轻量化网络模型。并在移动端或者嵌入式设备上...
【轻量化网络系列（1）】MobileNetV1论文超详细解读（翻译 ＋学习笔记+代码实现）
路人贾的博客
05-17 8532
MobileNetv1论文《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》翻译＋超详细精读，含代码实现
"跨域人群计数的自适应方法及实验研究-论文阅读笔记PPT展示
根据提供的内容，下面是一段对两篇顶会论文的阅读笔记的综述： 本次PPT展示主要介绍了两篇顶会论文，分别是《Bi-level Alignment for Cross-Domain Crowd Counting》和《Few-shot Image Generation via Cross-...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值