论文笔记：MobileNet v2

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/hongbin_xu/article/details/82992589

原论文：MobileNetV2: Inverted Residuals and Linear Bottlenecks

MobileNet v2

1、四个问题

1. 要解决什么问题？
   • 与MobileNet v1所要解决的问题一样，为嵌入式设备或算力有限的场景下设计一个有效的模型。
2. 用了什么方法解决？
   • 一方面，沿用了再MobileNet v1中采用的depthwise separable convolution。
   • 另一方面，新提出了inverted residual结构和linear bottleneck结构来改进模型。
3. 效果如何？
   • 作者在论文中给出了一系列任务下的实验结果：ImageNet图像分类、目标检测、语义分割等，MobileNet v2均取得了比MobileNet v1更好的效果。
   • 就目标检测来说，由MobileNet v2扩展构建的网络，其性能相比于其他架构如：Faster-RCNN、RFCN等还是逊色不少，但是考虑到模型的实时性和计算量，MobileNet v2在各项任务的表现相比于同一量级的模型是state-of-the-art的。
4. 还存在什么问题？
   • 社区对其的评价普遍都挺高，但也有一些人说自己复现（基于TensorFlow的）无法达到论文中的精度。网上也有挺多开源的复现代码（基于Pytorch），用的时候还是自己复现一下再下定论吧。

2、论文概述

2.1、Depthwise Separable Convolutions

• 基本思想就是：讲一个普通的卷积操作拆分成两个卷积操作。第一层为depthwise卷积，分别对每个输入通道进行卷积；第二层是pointwise卷积，实质就是 $1 \times 1$卷积，主要是用来将前面depthwise输出的特征组合起来构建新的特征。

2.2、Linear Bottlenecks

• 文中，经过激活层后的张量被称为manifold of interest（看到网上将其翻译为兴趣流形，总觉得有点不到位，所以后面都直接用英文代替）。
• 在manifold of interest（经过ReLU后的张量）非0的情况下，ReLU只是一个线性变换。
• ReLU只有在input manifold处于输入空间的子空间的情况下，才能保留input manifold的全部信息。
  • 换句话说，只要使用了ReLU，就不可避免地要损失该通道内的一部分信息。
  • 文中还给了一个示例，将input先映射到高维空间然后接一个ReLU后再还原回原来的维度。
  • 示意图如下，可以看出映射的维度越高，还原的效果越好，保留的原始信息越多。

• 一句话概括：Linear Bottlenecks就是，去掉ReLU，减小对特征的破坏，尽可能保留输入的信息。
• Linear Bottlenecks后面会与Inverted residuals组合起来使用。

2.3、Inverted residuals

• 网络结构基本单元的演变，如下图所示：
  1. a就是普通的 $3 \times 3$卷积。
  2. b是Depthwise Separable Convolution操作，此前用于MobileNet v1.
  3. c由b扩展而来，在b后面加了linear bottleneck（虚线框），bottleneck层没有加ReLU。
  4. d与c很像，在堆叠网络时两者是等价的。

• 普通的residual block与inverted residual block之间的对比：
  • 每个长方体的厚度象征着通道数。
  • a为传统的residual block。结构为： $1 \times 1$卷积（降维）+ReLU–> $3 \times 3$卷积+ReLU–> $1 \times 1$卷积（升维）+ReLU。
  • b为反转的residual block(inverted residual block)。结构为： $1 \times 1$卷积（升维）+ReLU–> $3 \times 3$depthwise separable卷积+ReLU–> $1 \times 1$卷积（降维）（注意，这里是不带ReLU的，即前面提到的linear bottleneck）。

2.4、模型结构

• Bottleneck residual block的结构（也就是inverted residual block），其为MobileNet v2的基本组成模块。

• MobileNet v2的总体结构：

• 几种网络的基本模块之间的对比：

2.5、其他

• 图a中可以看出，使用Linear bottleneck（不使用ReLU）比直接给输出接上ReLU6的效果好。
  • 我个人的理解：
    • ReLU会使负值置0，所以使用ReLU一定会出现信息损失。
    • 一般情况下，普通卷积后接上ReLU应该是能取得更好地效果的，不然也不会这么多人这么用。
    • 然而，针对MobileNet这个网络，由于其使用了大量的Depthwise Separable卷积，在Depthwise卷积之后接上ReLU就更容易损失信息了，导致效果反倒下降了。
    • 为什么呢？因为Depthwise卷积是直接针对单通道的，也就是说它的输出是单通道的，而这种单通道的信息经过ReLU后更容易损失信息。前面在讨论Linear Bottleneck时，作者也提到了如果中间层的维度较低，再经过ReLU后（manifold of interest）则很容易损失信息，除非先升高到一个较高维度再降低回原来的维度，才能保留更多的信息。而普通卷积则会将各个输入通道的输出加权求和，这一点也类似于提升了维度，所以直接接上ReLU并不会损失太多信息。
• 图b中可以看出，在bottleneck处添加shortcut会比在expanded layer处添加shortcut效果更好。