设为首页收藏本站

开启辅助访问

MobileNet（V1、V2、V3）入门

您所在的位置：网站首页 › e3v3和v2 › MobileNet（V1、V2、V3）入门

MobileNet（V1、V2、V3）入门

#MobileNet（V1、V2、V3）入门| 来源: 网络整理| 查看: 265

MobileNet

在这里插入图片描述

良好的移植性

可以很好的使用在移动设备上做分类、检测、分割等任务在这里插入图片描述

深度可分离卷积（v1核心）经典卷积算法中，输入的通道数要和过滤器的保持一致，这样很耗费参数

在这里插入图片描述

深度可分离卷积

第一步：有多少个输入，就有多少个输出，这一步用来提取特征，然后使用1x1的过滤器增加通道数在这里插入图片描述第二步：在这一步进行1x1卷积，相当于分成两步提取特征

总结

在这里插入图片描述

虽然麻烦了，但是可以减少参数量和计算量，均可以减少到卷积核平方分之一

在这里插入图片描述

V1整体网络架构因为考虑到应用在移动端，模型会量化到int8，所以relu6可以加快模型收敛，增加泛化能力

在这里插入图片描述

28层，也可以自己diy模型

在这里插入图片描述

网络模型对比

在这里插入图片描述

再度压缩模型，速度和大小不能兼得

在这里插入图片描述

应用效果，主要应用到主干网络，作为替换，减少模型大小，一般不会单独使用

在这里插入图片描述

V2版本相较于v1，v2的改进

在这里插入图片描述

relu会丢失较多的低维数据

在这里插入图片描述

V2模型架构

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

v2和v1的比较

在这里插入图片描述

V3版本

在这里插入图片描述

SE就是加上注意力机制，就是对于下一层来说，哪一个更重要，要做一个加权

在这里插入图片描述

Squeeze

在这里插入图片描述

Excitation操作

在这里插入图片描述

SE应用到其他模型

在这里插入图片描述

v2和v3的对比

多了一个注意力机制，加入se模块在这里插入图片描述

新的激活函数

在这里插入图片描述

V3模型架构

这是google算出来最好的模型架构，不建议修改在这里插入图片描述

效果分析

在这里插入图片描述

input ：输入operator ：当前层的操作exp size ：升维out ：输出SE ：是否有se模块NL ：非线性模块，激活函数选择哪个s ：步长stride

【本文地址】

公司简介

联系我们

CopyRight 2018-2019 实验室设备网版权所有