【第27篇】MobileNetV2：倒置残差和线性瓶颈

MobileNetV2：倒置残差和线性瓶颈

摘要

在本文中，我们描述了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及不同模型大小范围内的最新性能。 我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。 此外，我们演示了如何通过我们称之为 Mobile DeepLabv3 的 DeepLabv3 的简化形式来构建移动语义分割模型。

基于倒置残差结构，其中快捷连接位于薄瓶颈层之间。 中间扩展层使用轻量级深度卷积来过滤特征作为非线性源。 此外，我们发现去除窄层中的非线性以保持代表性很重要。 我们证明这可以提高性能并提供导致这种设计的直觉。

最后，我们的方法允许将输入/输出域与转换的表达性分离，这为进一步分析提供了一个方便的框架。 我们测量了我们在 ImageNet [1] 分类、COCO 对象检测 [2]、VOC 图像分割 [3] 上的性能。 我们评估权衡
精度与乘加 (MAdd) 测量的操作数量以及实际延迟和参数数量之间的关系。

1、简介

神经网络彻底改变了机器智能的许多领域，为具有挑战性的图像识别任务提供了超人的准确性。 然而，提高准确性的动力往往是有代价的：现代最先进的网络需要大量的计算资源，超出了许多移动和嵌入式应用程序的能力。

本文介绍了一