轻量级的想法，节省内存占用

做到可以与主流模型相比计算量减少了&＃xff0c;但是性能却可以一同媲美

Mobile nets:

v1:深度可分离卷积
v2:反残差&＃xff0c;线性瓶颈层&＃xff08;使用线性激活函数&＃xff09;
v3&＃xff1a;结合硬件感知的NAS…&＃xff08;自动搜索架构&＃xff09;就很智能不需要人工一个个去尝试&＃xff0c;相对来讲更好&＃xff0c;也因此你会发现他的那个扩张尺寸很不规律

shufflenets&＃xff1a;

v1&＃xff1a;点卷积去掉&＃xff0c;换成组卷积&＃43;shuffle操作&＃xff0c;减少点卷积的计算量
v2&＃xff1a;提出轻量化模型设计指南&＃xff1a;
&＃xff08;a&＃xff09;相同的通道宽度可用最小化内存访问
&＃xff08;b&＃xff09;过多的组卷积会增加内存的访问成本
&＃xff08;c&＃xff09;网络碎片会减低并行度&＃xff08;比如可以想到FPN&＃xff0c;很多shortcut会占用很大的显存&＃xff0c;从而拖慢速度&＃xff09;&＃xff0c;所以我们v2没有太多的网络分支
&＃xff08;d&＃xff09;元素级别的操作能减少就减少&＃xff08;特征图那些骚操作&＃xff09;

背景&＃xff1a;

冗余信息可以确保输入信息的全面理解&＃xff0c;所以作者不打算去除他&＃xff0c;而是选择用更低成本的计算量去获取他

The Ghost model

这是他的那个ghostt模块&＃xff0c;他将一小部分输出dfm再进行一些线性操作得到&＃xff0c;然后与原来的fm进行add&＃xff08;节省计算量&＃xff09;&＃xff0c;最后是和我们标准的卷积得到的是一样的尺寸

backbone

使用的是mobilenetsv3的框架&＃xff0c;其中将他的颈部替换成ghost模块。

还提出了宽度因子&＃xff0c;与速度成正比&＃xff0c;性能成反比