作者提出了一个新的网络架构 MobileNetV2，该架构基于反转残差结构，其中的跳跃连接位于较瘦的瓶颈层之间。中间的扩展层则利用轻量级的深度卷积来提取特征引入非线性，而且，为了维持网络的表示能力作者去除了较窄层的非线性激活函数。
1、反转残差（Inverted ResidualBlock）
MobileNet V2利用残差结构取代了原始的卷积堆叠方式，提出了一个Inverted ResidualBlock结构。
MobileNetV2之所以采用这种先升维，再降维的方法，是因为 MobileNetV2 将residuals block 的 bottleneck 替换为了 Depthwise Convolutions，因其参数少，提取的特征就会相对的少，如果再进行压缩的话，能提取的特征就更少了，因此MobileNetV2 就执行了扩张→卷积特征提取→压缩的过程。
普通ResNet结构和反转残差的对比：
左图：输入特征图的通道数通过1x1卷积（PC,d/4维），从d维降到d/4维，然后使用3x3普通卷积计算，最后再通过1x1卷积（PC, d维）将特征图的通道数提高到d维度。总的来说，就是先降维度，然后升维度。当然还需要shortcut连接，以及之后的ReLU激活层。
右图：先将维度升高，然后进行深度可分离卷积计算，之后再将维度降低。也会存在shortcut连接，但之后没有使用ReLU激活层。
MobileNet V2两种残差块
2、线性瓶颈结构
长期以来，人们一直认为神经网络中的兴趣流形（mainfold of interest）也就是激活特征，可以被嵌入到低维子空间中。基于这个事实，我们可以通过减少某一层网络的维度也就是通道数来减少激活特征的空间维度。MobileNetV1 中的宽度因子就是用来减少激活空间的维度的，直到激活特征可以扩展出整个空间，我们就找到了一个最佳的参数。
但是，神经网络中还有非线性激活函数，这时候，上面的直觉就不成立了。比如 ReLU 会把负的激活值变为零，换句话说，深度网络仅在输出域的非零部分具有线性分类器的功能。如果 ReLU 使得某一个通道的一些值变为零，这会不可避免地带来那个通道的信息损失，但如果通道数比较多，我们就可以通过一种结构用其它通道的激活值来补偿这个损失。
用一个随机矩阵T将左边的螺旋线嵌入到n维空间，然后用ReLU激活，再用投影回去。可以看到时信息损失非常大，而维度较高时则恢复得比较好。
因此，为了避免损失太多信息，作者采用线性瓶颈层，也就是在通道数比较少的瓶颈层不采用非线性激活函数。
3、网络结构
- Bottleneck
其中，t为通道数扩增的倍数
- mobileNet v2 完整结构
如上表所示，第一层是标准卷积，然后后面是前述的bottleneck结构。其中t 是扩展因子，c 是输出通道数， n 是重复次数，s 代表步长。如果步长为 2 ，代表当前重复结构的第一个块步长为 2，其余的步长为 1，步长为 2 时则没有跳跃连接，如下图所示。
此外，也可以像 MobileNetV1 那样继续利用宽度乘子和分辨率乘子进一步降低模型的大小。
4、实验结果
在 ImageNet 上的分类结果如下所示：
在 COCO 数据集上的目标检测结果如下图所示：
此外，作者还对比了不同的跳跃连接方式和是否采用线性瓶颈结构，进一步验证了网络设计的合理性。
5、代码
def conv_bn(inp, oup, stride):
return nn.Sequential(
nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
nn.BatchNorm2d(oup),
nn.ReLU6(inplace=True)
)
def conv_1x1_bn(inp, oup):
return nn.Sequential(
nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
nn.ReLU6(inplace=True)
)
class InvertedResidual(nn.Module):
def __init__(self, inp, oup, stride, expand_ratio):
super(InvertedResidual, self).__init__()
self.stride = stride
assert stride in [1, 2]
hidden_dim = round(inp * expand_ratio)
self.use_res_connect = self.stride == 1 and inp == oup
if expand_ratio == 1:
self.conv = nn.Sequential(
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
else:
self.conv = nn.Sequential(
# pw
nn.Conv2d(inp, hidden_dim, 1, 1, 0, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# dw
nn.Conv2d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
def forward(self, x):
if self.use_res_connect:
return x + self.conv(x)
else:
return self.conv(x)
class MobileNetV2(nn.Module):
def __init__(self, n_class=1000, input_size=224, width_mult=1.):
super(MobileNetV2, self).__init__()
block = InvertedResidual
input_channel = 32
last_channel = 1280
interverted_residual_setting = [
# t, c, n, s
[1, 16, 1, 1],
[6, 24, 2, 2],
[6, 32, 3, 2],
[6, 64, 4, 2],
[6, 96, 3, 1],
[6, 160, 3, 2],
[6, 320, 1, 1],
]
# building first layer
assert input_size % 32 == 0
input_channel = int(input_channel * width_mult)
self.last_channel = int(last_channel * width_mult) if width_mult > 1.0 else last_channel
self.features = [conv_bn(3, input_channel, 2)]
# building inverted residual blocks
for t, c, n, s in interverted_residual_setting:
output_channel = int(c * width_mult)
for i in range(n):
if i == 0:
self.features.append(block(input_channel, output_channel, s, expand_ratio=t))
else:
self.features.append(block(input_channel, output_channel, 1, expand_ratio=t))
input_channel = output_channel
# building last several layers
self.features.append(conv_1x1_bn(input_channel, self.last_channel))
# make it nn.Sequential
self.features = nn.Sequential(*self.features)
# building classifier
self.classifier = nn.Sequential(
nn.Dropout(0.2),
nn.Linear(self.last_channel, n_class),
)
self._initialize_weights()
def forward(self, x):
x = self.features(x)
x = x.mean(3).mean(2)
x = self.classifier(x)
return x
def _initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2. / n))
if m.bias is not None:
m.bias.data.zero_()
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
elif isinstance(m, nn.Linear):
n = m.weight.size(1)
m.weight.data.normal_(0, 0.01)
m.bias.data.zero_()