mobilenetV1和V2对比

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

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容