本文介绍: 自从2017年由谷歌公司提出,MobileNet可谓是轻量级网络中的Inception,经历了一代又一代的更新。成为了学习轻量级网络的必经之路。

传统卷积神经网络,内存需求大、运算量大,导致无法在移动设备以及嵌入式设备上运行。

在这里插入图片描述

MobileNet网络是由google团队在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。相比传统卷积神经网络,在准确率小幅降低的前提下大大减少模型参数与运算量。(相比VGG16准确率减少了0.9%,但模型参数只有VGG的1/32)

1. MobileNet V1

论文:MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

网址:https://arxiv.org/abs/1704.04861

网络亮点:

  • 深度可分离卷积(大大减少运算量和参数数量)
  • 增加超参数,

    控制卷积层卷积核个数的参数

    α

    和控制输出图像大小的参数

    β

    控制卷积层卷积核个数的参数alpha和控制输出图像大小的参数beta

    控制卷积层卷积核个数的参数α和控制输出图像大小的参数β,这两个参数是手动设定的,并不是学习得来的

传统卷积

卷积核通道 = 输入特征矩阵通道

输出特征矩阵通道 = 卷积核个数

在这里插入图片描述

深度可分离卷积 Depthwise Separable Conv:DW Conv+PW Conv

1.逐通道卷积 Depthwise Conv(DW Conv)

卷积核通道 = 1

输入特征矩阵通道 = 卷积核个数 = 输出特征矩阵通道

Depthwise Convolution的一个卷积核负责一个通道,一个通道只被一个卷积核卷积

一张

5

×

5

5times5

5×5像素、三通道彩色输入图片(shape为

5

×

5

×

3

5times5times3

5×5×3),Depthwise Convolution首先经过第一次卷积运算,DW完全是在二维平面内进行。卷积核的数量与上一层的通道数相同(通道和卷积核一一对应)。所以一个三通道的图像经过运算后生成了3个Feature map(如果有same padding则尺寸与输入层相同为

5

×

5

5times5

5×5),如下图所示。

在这里插入图片描述

其中一个Filter只包含一个大小为

3

×

3

3times3

3×3的Kernel,卷积部分的参数个数计算如下:

N

_

d

e

p

t

h

w

i

s

e

=

3

×

3

×

3

=

27

N_depthwise = 3times3 times3 = 27

N_depthwise=3×3×3=27

Depthwise Convolution完成后的Feature map数量与输入层的通道数相同,无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算,没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。

DW部分的卷积核容易废掉,即卷积核参数大部分为0。

2.逐点卷积 Pointwise Conv (PW Conv)

Pointwise Convolution的运算与常规卷积运算非常相似,它的卷积核的尺寸为

1

×

1

×

M

1times1times M

1×1×M,M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合,生成新的Feature map。有几个卷积核就有几个输出Feature map。

在这里插入图片描述

理论上,普通卷积计算量是DW+PW的8到9倍。

MobileNet V1网络结构

在这里插入图片描述


2. MobileNet V2

论文:MobileNetV2: Inverted Residuals and Linear Bottlenecks

网址:https://arxiv.org/abs/1801.04381

MobileNet V2网络是由google团队在2018年提出的,相比MobileNet V1网络,准确率更高,模型更小。

网络亮点:

  • Inverted Residuals(倒残差结构)
  • Liner Bottlenecks(线性瓶颈)

Resnet中的残差结构:(激活函数采用ReLU

  • 先使用

    1

    ×

    1

    1times1

    1×1的卷积核进行降维操作

  • 再进行常规卷积操作
  • 再使用

    1

    ×

    1

    1times1

    1×1的卷积核进行升维操作

在这里插入图片描述

倒残差结构:(激活函数采用ReLU6

  • 先使用

    1

    ×

    1

    1times1

    1×1的卷积核进行升维操作

  • 在进行DW(逐通道卷积)卷积
  • 然后在使用

    1

    ×

    1

    1times1

    1×1的卷积核进行降维处理(PW逐点卷积)

在这里插入图片描述

ReLU6激活函数:

y

=

R

e

L

U

6

(

x

)

=

m

i

n

(

m

a

x

(

x

,

0

)

,

6

)

y = ReLU6(x) = min(max(x,0),6)

y=ReLU6(x)=min(max(x,0),6)

在这里插入图片描述

Linear Bottlenecks (线性瓶颈)

先说瓶颈(Bottleneck),

1

×

1

1times1

1×1卷积小像个瓶口所以叫瓶颈,该词的来源是resnet的经典网络使用的词汇,当前的MobileNet v2依旧使用了该结构的block。

再说linear,如下图,从下往上看的,看最后的pointwise卷积,之前的pointwise卷积是升维的,轮到最后的pointwise卷积就是降维,设计该网的作者说高维加个非线性挺好,低维要是也加非线性就把特征破坏了,不如线性的好,所以1*1后不加ReLU6 ,改换线性。

针对倒残差结构的最后一个

1

×

1

1times1

1×1的卷积层,使用了线性激活函数,而非ReLU激活函数。

ReLU激活函数对低维特征信息造成大量损失

在这里插入图片描述

当stride=1且输入特征矩阵与输出特征矩阵shape相同时才有shortcut连接。

MobileNet V2网络结构

在这里插入图片描述


3. MobileNet V3

论文:Searching for MobileNetV3

网址:https://arxiv.org/abs/1905.02244

网络亮点:

  • 更新Block(benck)
  • 使用NAS搜索参数(Neural Architecture Search)
  • 重新设计耗时层结构

更新Block

  • 加入了SE模块(注意力机制)

  • 更新了激活函数

在这里插入图片描述

注意力机制部分:

在这里插入图片描述

H-sig:Hard-sigmoid激活函数

重新设计激活函数:

使用swish激活函数,公式如下。

s

w

i

s

h

(

x

)

=

x

σ

(

x

)

σ

(

x

)

=

1

1

+

e

x

swish(x) = x·sigma(x)\ sigma(x) = frac{1}{1+e^{-x}}

swish(x)=xσ(x)σ(x)=1+ex1

σ

(

x

)

sigma(x)

σ(x)为sigmoid激活函数。

swish激活函数计算、求导复杂,对量化过程不友好,因此,作者提出了h-swish激活函数。

R

e

L

U

6

(

x

)

=

m

i

n

(

m

a

x

(

x

,

0

)

,

6

)

ReLU6(x) = min(max(x,0),6)

ReLU6(x)=min(max(x,0),6)

h

s

i

g

m

o

i

d

=

R

e

L

U

6

(

x

+

3

)

6

h-sigmoid = frac{ReLU6(x+3)}{6}

hsigmoid=6ReLU6(x+3)

h

s

w

i

s

h

(

x

)

=

x

R

e

L

U

6

(

x

+

3

)

6

h-swish(x) = xfrac{ReLU6(x+3)}{6}

hswish(x)=x6ReLU6(x+3)

在这里插入图片描述

在很多时候,我们会选择使用h-sigmoid激活函数来替换sigmoid激活函数。使用h-swish激活函数来替代h-swish激活函数。

重新设计耗时层结构

1.减少第一个卷积层的卷积核个数(32->16)

2.精简Last Stage

在这里插入图片描述

这样调整后,作者发现,在准确率方面没有发生很大的变化,但是节省了7毫秒(占推理过程的11%)的执行时间。

MobileNet V3-Large网络结构

在这里插入图片描述

注意:在第一个bneck中,并没有使用

1

×

1

1times1

1×1对卷积进行升维操作。

原文地址:https://blog.csdn.net/weixin_45682053/article/details/135648738

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。

如若转载,请注明出处:http://www.7code.cn/show_61297.html

如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注