轻量级网络汇总：Inception,Xception,SqueezeNet,MobileNet v123Next,ShuffleNet v12,SENet,MNASNet,GhostNet,FBNet

比眉伴天荒 2022-12-20 05:43 193阅读 0赞

**轻量级网络汇总：****Inception,Xception,SqueezeNet,MobileNet v123Next,ShuffleNet v12,SENet,MNASNet,GhostNet,FBNet**

**Inception**

提出卷积的时候，通道卷积和空间卷积是没关系的，最好分开搞，不要一起搞（没有理论证明，只是实验发现）

网络结构就是1x1, 1x1->3x3, avgPool->3x3, 1x1->3x3->3x3,这4路分开过然后concat

Xception, google.

Extreme的Inception, 在InceptionV3 上进行改进，他的结构是先统一过1x1，然后分开分别过3x3，跟depth-wise conv 不同的是，depth-wise conv是先分通道卷积，然后1x1，这里是1x1，然后分通道卷积。

**SqueezeNet, ICLR2017,** **伯克利，斯坦福**

再Alexnet的基础上，把3x3换成1x1，减少channel数，把降采样后移。

使用的是Fire模块，就是先1x1卷积作为squeeze，然后1x1和3x3 结果cancatnate作为expand

虽然减少参数，减少计算量，但是加深深度，实际速度也很慢，参数减少一方面是换卷积核，另一方面是他们自己的模型压缩工作。

**Mobilenet v1, CVPR2017, google**

采用深度可分卷积(可分卷积还有空间可分卷积，类似FM，深度可分卷积是14年由一个博士论文提出来的，不是mobilenet)，普通卷积先深度卷积（相当于分组卷积，组数等于channel数）然后1x1point卷积。普通卷积计算量为FFKKMN, 深度可分卷积计算量为FFKKM + FFMN, 计算量下降1/N + 1/(K\*K)。但是在GPU上有时候加速不明显，因为GPU对于depth width卷积优化不明显。

Mobilenet block结构为3x3 depthwise conv->BN->ReLU6->1x1 conv->BN->ReLU, 普通卷积block结构为3x3 conv->BN->ReLU。其中ReLU6在低精度设备中效果更好ReLU(6)=min(max(0, x), 6)。

**ShuffleNet v1, CVPR2017, Face++**

使用group convolution和channel shuffle。其中group convolution不是原创，从AlexNet就有，shuffle是。

用shuffle替换掉mobileNet中的1x1卷积，同样为了达到channel之间的交互目的，但是减少了1x1卷积的计算量。在shuffle的时候，把原来每组feature有序重组，而不是完全随机，如123，456，789重组为147，258，369.

同时shuffleNet的bottlenetck的特征降采样了， 主路用的是1x1GConv->shuffle->3x3 stride=2->1x1GConv，旁路是3x3AVGPool stride=2, 最后不用加而是concat。

提到小型网络要多使用通道

**ShuffleNet V2, 2018**

指出模型的实际速度，与FLOPs, 内存访问时间都有关。实验分析了，通道数，group操作数，网络模型分支数和Elementwise操作数对模型速度的影响。有以下结论：

卷积层的输入和输出特征通道数相同时MAC(内存访问损失时间)最小

过多的Group操作会增大MAC

模型中的分支数量越少，模型速度越快

Elementwise操作的时间消耗比FLOPs上体现的要多

通过这几个结论，设计了新的网络结构，然后对比试验，相同FLOPs数量，更高精度，速度更快。

**MoblileNet v2, 2018, google**

引入inverted residuals和linear bottlenecks。使用了skip connection

原始残差模块为 1x1降维->3x3 conv->1x1升维，这样可以减少3x3的计算量。但是inverted residuals是先升维在depthwise卷积在降维，1x1升维->3x3 depthwith conv->1x1降维，提前升维，提取更多高维信息。

还发现ReLU对低维信号损失很大，所以把降维后也就是最后一个激活层换成线性激活（之前的不用，因为之前的是高维）。

**SENet, cvpr2018, Momenta** **中科院大学**

普通卷积之后，再channel上用Global Average Pooling，得到一个1x1xC的向量，这个过程叫Squeeze，然后过两层全连接层，叫做Excitation，然后用sigmoid，然后结果乘回去。其实就是一种attention

**MobileNet v3, 2019, google**

使用NAS搜索

最后几层减少，提前进入avg-pooling.

使用h-switc作为激活函数

引入SE模块，作为轻量级attention模块

**FBNet CVPR2019**

Differentiable NAS, 使用Gumbel Softmax将候选操作使用softmax函数进行混合，将搜索空间变成连续函数，目标函数变成可谓函数，然后直接提度下降， loss由准确率和速度loss组成。

**MNASNet CVPR2019, google**

使用强化学习思路的NAS

**MobileNext, ECCV2020,** **依图**

倒残差结构使得优化过程中梯度回传抖动

skip connection影响梯度回传

更宽的网络可以解决梯度混淆问题

提出sandglass block, 实际是嵌套了两个depth width的ResNet,也就是input->1x1 降维 ->depth width 3x3 + ReLU6->1x1 降维 + Linear->1x1升维 + ReLU6 ->depth width 3x3 + linear->1x1升维->output,中间两个skipconnection, 输入输出一个，第一个1x1和最后一个1x1中间一个。并且在skipconnection的时候仅使用一半通道进行，这样不会有精度损失。

**GhostNet, CVPR2020,** **华为**

卷积神经网络中特征有冗余（观察特征图，发现有的很像），提出用一部分特征图用深度可分卷积去生成另一部分特征图。而不是生成全部特征图。