mobilenetV1和V2对比

2019-06-20 本文已影响0人 LuDon

假设卷积核大小为 $K_h \times K_w$ ，输入通道数为 $C_{in}$ ，输出通道数为 $C_{out}$ ，输出特征图的宽和高分别为W和H，则：

conv标准卷积的参数量为 $K_h \times K_w \times C_{in} \times C_{out}$
conv标准卷积的操作个数为 $K_h \times K_w \times C_{in} \times C_{out} \times H \times W$

MobileNetV1

深度可分离卷积的使用：depthwise是输入通道之间的信息融合，pointwise是输出通道之间的信息融合。
Global average pooling的使用
使用步长为2的卷积代替Maxpool+conv：使得参数数量不变，计算量变为原来的1/4。

MobileNetV2

引入残差结构，先升维再降维，增强梯度的传播，显著减少推理期间所占的内存。
去掉Narrow layer 后面的relu，保留特征的多样性，增强网络的表征能力
整个网络是全卷积的，使得模型可以适应于不同尺寸的图像；使用RELU6作为激活函数，使得模型在低精度计算下具有更强的鲁棒性

MobileNetV2与v1的主要区别

上一篇下一篇

猜你喜欢

热点阅读