当前位置：首页 > news >正文

MobileNetv2网络详解

news 2026/1/29 22:54:12

背景：

MobileNet v1中DW卷积在训练完之后部分卷积核会废掉，大部分参数为“0”

MobileNet v2网络是由Google团队在2018年提出的，相比于MobileNet v1网络，准确率更高，模型更小

网络亮点：

Inverted Residuals（倒残差结构）

Linear Bottlenecks

倒残差结构：

Residual Block：

ResNet网络中提出了一种残差结构

1.输入特征矩阵采用1*1的卷积核来对特征矩阵做压缩，减少输入特征矩阵的channel

2.采用3*3的卷积核做卷积处理

3.采用1*1的卷积扩充channel

形成两头大，中间小的瓶颈结构

Inverted Residual Block：

1.采用1*1的卷积核升维，让channel变得更深

2.通过卷积核大小为3*3的DW卷积操作进行卷积

3.通过1*1的卷积进行降维

结构图：

过程：

1.通过大小为1*1的卷积，激活函数为ReLU6

2.通过DW卷积，卷积核大小为3*3，激活函数为ReLU6

3.通过卷积核大小为1*1的卷积处理，使用线性激活

1.h*w*k的输入，经过1*1卷积核、ReLU6（t为扩展因子，1*1卷积核的个数为tk），输出h*w*（tk）

2.第二层输入等于第一层输出，使用DW卷积，卷积核大小为3*3，步距为s（给定），输出的特征矩阵深度和输入特征矩阵的深度相同（MobileNet v1中提到过DW卷积），由于步距为s，输出特征矩阵的高宽缩减为 $\frac{h}{s}$ 和 $\frac{w}{s}$

3.第三层的1*1卷积为降维操作，所采用的卷积核个数为 ${k}'$

ReLU6激活函数：

ReLU激活函数的改进版，诸如此类的改进函数还有很多，类似Leakey ReLU等

在普通的ReLU激活函数中，当输入值小于零，默认全置零；当输入值大于零，不对值进行处理

在ReLU6激活函数中，当输入值小于零，默认全置零；在（0，6）区间，不会改变输入值；当输入值大于“6”，将输入值全部置为“6”

作用：

①避免网络出现激活值过大的情况，稳定训练过程

②适合量化

③保留非线性特征

④提高训练速度

对比：

原始的残差结构是先降维再升维，而倒残差结构是先升维再降维

在普通残差结构中使用的ReLU激活函数，而倒残差结构采用的是ReLU6激活函数

shortcut：

在倒残差结构中，并不是每一个倒残差结构都有shortcut（捷径）分支，在论文中提到当stride=1时有捷径分支，stride=2时没有捷径分支

分析得知上述表达有误：当stride=1且输入特征矩阵与输出特征矩阵shape相同时，才有shortcut连接；若不满足都没有shortcut

倒残差结构的作用：

1. 高效的特征提取：结合深度卷积和逐点卷积，能够有效提取特征，同时减少计算复杂度。

2. 减少梯度消失问题：通过直接将输入特征传递到输出，减轻了深层网络中的梯度消失问题，有助于更快收敛。

3. 灵活的通道扩展：通过设置 expand_ratio，可以灵活调整特征维度，增强模型的表达能力，同时避免不必要的计算。

4. 内存和计算效率：尽管在某些情况下会增加参数量，但整体上，倒残差结构通常能保持相对较低的内存和计算需求，适合在移动设备上运行。

5. 增强非线性变换：通过激活函数，倒残差结构能够引入非线性，使得模型可以学习更复杂的特征关系。

6. 适应性强：能够根据不同任务的需求，调整网络的复杂性和参数设置，适应多种应用场景。

Linear Bottlenecks：

对于倒残差结构的最后一个1*1卷积层，使用线性激活函数而不是ReLU激活函数

线性激活函数使用原因：

在原论文中，作者做了相关实验。输入是二维的矩阵，channel为1，分别采用不同维度的Matrix（矩阵） $T$ 对其进行变换，变换到一个更高的维度；再使用ReLU激活函数得到输出值；再使用 $T$ 矩阵的逆矩阵 $T^{-1}$ ，将输出矩阵还原为2D特征矩阵

当Matrix $T$ 维度为2和3时，通过观察下图可以发现，二维三维的特征矩阵丢失了很多信息

但随着Matrix $T$ 的维度不断加深，丢失的信息越来越少

总结：

ReLU激活函数会对低维特征信息造成大量损失，而对于高维特征造成的损失小

倒残差结构为“两边细，中间粗”，在中间时为一个低维特征向量，需要使用线性函数替换ReLU激活函数，避免信息损失

网络结构：

t：扩展因子

c：输出特征矩阵的深度，channel

n：bottleneck（论文中的倒残差结构）重复的次数

s：步距，只代表每一个block（每一个block由一系列bottleneck组成）的第一层bottleneck的步距，其他的步距都为1

当stride=1时：输入特征矩阵的深度为64，输出特征矩阵的深度为96；若有捷径分支，捷径分支的输出的特征矩阵分支深度为64，但是通过主分支的一系列操作，所输出的深度为96，很明显深度时不同的，无法使用加法操作，也就无法使用shortcut

对于上述提到的block的第一层一定是没有shortcut的，但对于第二层，stride=1（表中的s只针对第一层，其他层的stride=1），输入特征矩阵深度等于上一层输出特征矩阵的深度，为96；输出特征矩阵深度为96，因此在bottleneck第二层输出特征矩阵的shape和输入特征矩阵的shape相同，此时可以使用shortcut分支

在网络的最后一层为一个卷积层，就是一个全连接层，k为分类的个数

性能分析：

图像分类：

准确率，模型参数都有一系列的提升，基本上达到了实时的效果

目标检测：

将MobileNet与SSD联合使用，将SSD中的一些卷积换为DW卷积和PW卷积，相比原始的模型有一些提升，但对比MNet v1却差了一些

总结：

基本实现了在移动设备或嵌入式设备上跑深度学习模型，也将研究和日常生活紧密结合

背景：