MobileNets论文解析

MobileNets论文提出了深度可分离卷积,通过深度卷积和点卷积两部分,显著降低了计算量。深度卷积在每个通道上单独进行,点卷积则对所有通道进行卷积。这种方法相比于传统卷积,计算效率提高,尤其在卷积核数量、大小增加时效果更明显。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文全称:

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

下载地址:

 https://arxiv.org/pdf/1704.04861.pdf

论文核心思想:

本文对我们常见的卷积操作进行了改进,使得计算量得到了降低。

设:

输入图片F的大小是Df*Df*M,Df表示宽、高,M表示通道数。

stride为1,padding取使得输出图片的宽、高均等于输入图片的宽、高的值。

输出图片G的大小是Df*Df*N,Df表示宽、高,N表示通道数。

 

常规卷积:

常规卷积操作的示意图:

设常规卷积中,卷积核G的大小是Dk*Dk*M*N,Dk表示宽、高,M表示通道数,N表示卷积核个数。

则常规卷积的操作需要执行的计算量为:

乘法次数:Dk*Dk*M*N*Df*Df,加法次数:Dk*Dk*M*N*Df*Df-1

由于乘法更加耗时,所以重点考察乘法次数,则 Cost A= Dk*Dk*M*N*Df*Df

其中,Dk*Dk*M表示每个卷积核每滑动到一个位置需要执行的乘法的次数;Df*Df表示每个卷积核需要卷积的次数。前者等于每个卷积核的大小,后者等于输出图片的宽*高。

 

论文提出的深度可分离卷积(Depthwise separable convolutions)

由两部分组成:

第1部分:在深度上进行卷积(Depthwise convolution),即:在每一个通道的二维

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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