[MobileNet]:Efficient Convolutional Neural Networks for Mobile Vision Applications

论文地址：https://arxiv.org/abs/1704.04861     (Submitted on 17 Apr 2017)

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

caffe官方实现ConvolutionDepthwise层：https://github.com/BVLC/caffe/pull/5665/files

1.摘要：MobileNets基于depthwise separable convolution搭建轻量级的深度神经网络。引入两个全局超参数在延迟和准确性上进行折中。

这些超参数有助于模型创建者根据问题的约束选择合适的模型大小。MobileNets在各种应用和用例（包括对象检测，细粒分类，人脸属性和大规模地理定位）中有效果。

2.MobileNets架构

（1）Depthwise Separable Convolution

Depthwise分离卷积层由两层组成：depthwise卷积和pointwise卷积。

输入图像大小Df*Df*M，输出图像大小Df*Df*N。

depthwise卷积层对每一个输入通道独立使用单一卷积，卷积核大小Dk*Dk，输出M个特征图。

pointwise卷积层使用N个1*1*M卷积，将depthwise卷积层的输出进行组合。

（2）网络结构

a.第一层卷积使用标准卷积

b.每一卷积层后面都接着BN层和ReLU层（处理最后一个全连接层，后接softmax进行类别预测）

总的网络结构

下采样通过第一层卷积以及某些stride为2的depth wise convolution层实现。

实验中，MobileNet的计算量和参数量统计：

实验中，发现在depthwise层不添加或添加较少的权重正则项比较有效

（3）超参数

a.width multiplier：thinner models

将层的输入和输出的channel 均压缩α倍, α参数取值为1，0.75,0.5,0.25. 可以将计算量和参数量减少α2倍

 b.resolution multiplier: reduced representation

因子ρ将网络输入的大小降至224，192，160，128，可以将计算量减少ρ2倍

 

3.实验

（1）MobileNet精度下降1%，计算量和参数大幅下降。

（2）瘦的MobileNet（α=0.75）比浅的MobileNet（5层）在计算量和参数量相差不大的情况下，瘦的MobileNet精度好。

（3）后面作者在一些实际应用方面（细粒度分类、目标检测）与流行网络进行了对比。

 

总的来说，MobileNet是一种旨在不明显降低准确率的前提下显著降低计算量和参数量，提高速度的优秀方法，进行简单二分类测试速度确实较快。

转载于:https://www.cnblogs.com/listia/articles/8605723.html