論文：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
代碼：GitHub可搜Caffe、Tensorflow等版本
MobileNet是一種針對於移動端的輕便型深度網絡，下圖是該網絡的一種效果圖
相對於傳統的卷積神經網絡，MobileNet主要是對卷積運算進行了改進，得到了文中提出的深度可分離卷積
(Depthwise Separable Convolution)，其主要由DW和PW卷積組成。DW卷積是針對輸入特徵圖的每一個通道
採用一個卷積核進行卷積運算，即卷積核個數爲輸入通道數M。DW對應的不包含加法運算和偏置項的運算量
爲： Dk * Dk *M*Df*Df，其中Dk表示輸入feature map高和寬，Df表示輸出feature map大小。PW卷積採用了大小
爲1X1的卷積覈對輸入feature map的各個通道進行連接，其乘項的複雜度爲：M*N*Df*Df，其中N爲輸出通道數。
故深度可分離卷積的整體乘項複雜度爲： Dk * Dk *M*Df*Df+M*N*Df*Df。其相對於傳統卷積運算降低的計算參數
量如下：
而MobileNet的網絡結構依然採用了目前比較通用和流行的結構，即每次卷積運算後面會接一個BN和ReLU層，具體
如下所示：
在MobileNet整體結構的基礎之上，文中又引入了兩個參數：寬度乘數(Width Multiplier) a和分辨率乘數(Resolution
Multiplier)b。它們依次作用於網絡各層的通道和輸入圖片的尺寸上，從而使每層的計算複雜度變爲：
Dk * Dk *aM*bDf*bDf+aM*aN*bDf*bDf
具體實驗部分可參照原論文，這裏便不再贅述。
想了解更多CV知識可以掃碼關注公衆號
