MobileNet
![在这里插入图片描述](https://img-blog.csdnimg.cn/e0783c0504ab4ebc83880c480bc7cbb4.jpeg)
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](https://img-blog.csdnimg.cn/c72a1b08729d4ab39b3f12db9af4166e.jpeg)
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](https://img-blog.csdnimg.cn/d4b69d58b1cd46a99d87f57f45fc9b7c.jpeg)
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 第二步:在这一步进行1x1卷积,相当于分成两步提取特征 ![在这里插入图片描述](https://img-blog.csdnimg.cn/0f787d64a6b24cb5ba58b3ab44463a8e.jpeg)
总结
![在这里插入图片描述](https://img-blog.csdnimg.cn/f21b4cdf093b444a8b811760f41a0125.jpeg)
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](https://img-blog.csdnimg.cn/b5657b719598486dbb537a4669fde8c1.jpeg)
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](https://img-blog.csdnimg.cn/bfedcc9096124e109ceac690d777024e.jpeg)
28层,也可以自己diy模型
![在这里插入图片描述](https://img-blog.csdnimg.cn/456d8fe42b4640ea90a8015a5ad9c0b1.jpeg)
网络模型对比
![在这里插入图片描述](https://img-blog.csdnimg.cn/026e32edf52d40aeb412a8a6b11e2d97.jpeg)
再度压缩模型,速度和大小不能兼得
![在这里插入图片描述](https://img-blog.csdnimg.cn/c96d30ba713c4fecaf07d349d4930876.jpeg)
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](https://img-blog.csdnimg.cn/5c5eb6ca4f564af9a684409f718b6c70.jpeg)
V2版本
相较于v1,v2的改进
![在这里插入图片描述](https://img-blog.csdnimg.cn/9816950073b6441098f4fdc0f4da3953.jpeg)
relu会丢失较多的低维数据
![在这里插入图片描述](https://img-blog.csdnimg.cn/9a2d973873a14757a5279c5298fd2d9f.jpeg)
V2模型架构
![在这里插入图片描述](https://img-blog.csdnimg.cn/81f3ebd21caa4726815dc0da8fa4fc47.jpeg)
![在这里插入图片描述](https://img-blog.csdnimg.cn/784b56df352e4308856736b40c5231b2.jpeg)
![在这里插入图片描述](https://img-blog.csdnimg.cn/d47a151ada254816b9d0df6bbca97f82.jpeg)
v2和v1的比较
![在这里插入图片描述](https://img-blog.csdnimg.cn/cb9bc7ee528a449e8f62c97df415bbd3.jpeg)
V3版本
![在这里插入图片描述](https://img-blog.csdnimg.cn/e07e6cd052e24fa082aabe9dce344cfc.jpeg)
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](https://img-blog.csdnimg.cn/32e62489fc40422b8505503631e751bb.jpeg)
Squeeze
![在这里插入图片描述](https://img-blog.csdnimg.cn/cd9c5bee16f04ab9b44f925b668c8af2.jpeg)
Excitation操作
![在这里插入图片描述](https://img-blog.csdnimg.cn/81c8a97bff58482cababf6ac6a3c1aa6.jpeg)
SE应用到其他模型
![在这里插入图片描述](https://img-blog.csdnimg.cn/2b889ff0b8bd477b8fa6d9d39888c67b.jpeg)
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](https://img-blog.csdnimg.cn/bb9b1eeac0974eca8f1ddc55f3cdddd0.jpeg)
新的激活函数
![](https://img-blog.csdnimg.cn/ba21a47837da44fb99ee69bd0490def8.jpeg)
![在这里插入图片描述](https://img-blog.csdnimg.cn/c51c8bdcae3d471e85794ca2c48b5481.jpeg)
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](https://img-blog.csdnimg.cn/6172eb3a56f3487681a2463649e94517.jpeg)
效果分析
![在这里插入图片描述](https://img-blog.csdnimg.cn/488cc22b460746d5b85262211841ee7a.jpeg)
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
|