MobileNets

Paper : MobileNets: Efficient Convolutional Neural Networks for Mobile Vision
Applications
Code : unofficial

摘要

与Xception一样都是以depthwise separate convolution作为核心扩展开的网络结构，MobileNet更倾向于低算力，有关depthwise separate convolution和Xception的内容见blog。

网络结构

MobileNet 网络结构，网络的第一层是一个普通的卷积层，其他是depthwise separate conv

该网络结构中，每一个Conv均表示Conv-BN-ReLU结构

普通卷积核和separate conv

宽度缩放因子$\alpha$：使用$\alpha$将网络宽度降低，即对于输入输出通道数分别为${\text{c}}_{\text{in}},{\text{c}}_{\text{out}}$的网络层，新的通道数为$\alpha \cdot {\text{c}}_{\text{in}},\alpha {\text{c}}_{\text{out}}$。$\alpha =1$即为原始MobileNet

分辨率缩放因子$\rho$：使用$\rho$将网络分辨率降低，即对于输入输出为${\text{w}}_{\text{in}}\times {\text{h}}_{\text{in}},{\text{w}}_{\text{out}}\times {\text{h}}_{\text{out}}$的网络层，新的输入输出宽度为$\rho {\text{w}}_{\text{in}}\times \rho {\text{h}}_{\text{in}},\rho {\text{w}}_{\text{out}}\times \rho {\text{h}}_{\text{out}}$

核心观点

1. 放弃池化层直接采用stride = 2的卷积，节约计算量
2. depthwise separate conv的使用
3. 引入宽度缩放因子和分辨率缩放因子用于减小参数量，降低计算量