【第26篇】MobileNets：用于移动视觉应用的高效卷积神经网络-CSDN博客

MobileNets是一种专为移动和嵌入式视觉应用设计的高效模型，采用深度可分离卷积降低计算复杂度。通过两个超参数——宽度乘数和分辨率乘数，可以在延迟和准确性之间进行权衡。实验表明，MobileNets在ImageNet等多个任务上表现优秀，适用于物体检测、人脸识别等多种应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

MobileNets：用于移动视觉应用的高效卷积神经网络
摘要
一、简介
二、前期工作
三、MobileNet 架构
四、实验
五、结论

MobileNets：用于移动视觉应用的高效卷积神经网络

摘要

我们提出了一类称为 MobileNets 的高效模型，用于移动和嵌入式视觉应用。 MobileNets 基于流线型架构，使用深度可分离卷积来构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型构建者根据问题的约束为其应用程序选择合适大小的模型。我们在资源和准确性权衡方面进行了广泛的实验，并与 ImageNet 分类上的其他流行模型相比表现出强大的性能。然后，我们展示了 MobileNets 在广泛的应用和用例中的有效性，包括对象检测、细粒度分类、人脸属性和大规模地理定位。

一、简介

自从 AlexNet [19] 通过赢得 ImageNet Challenge: ILSVRC 2012 [24] 普及了深度卷积神经网络以来，卷积神经网络在计算机视觉中变得无处不在。总体趋势是制作更深、更复杂的网络以实现更高的准确度[27,31,29,8]。然而，这些提高准确性的进步并不一定会使网络在规模和速度方面更有效率。在机器人、自动驾驶汽车和增强现实等许多现实世界应用中，识别任务需要在计算能力有限的平台上及时执行。