---

Link：https://arxiv.org/abs/1801.04381

---

---

这篇文章是一篇关于MobileNetV2的学术论文，主要介绍了MobileNetV2的架构设计及其在图像分类、目标检测和语义分割任务中的应用。以下是对这些核心内容的简要概述：

MobileNetV2架构设计：

• 提出了一种新的神经网络模块——倒残差结构（Inverted Residuals），其中的快捷连接位于瓶颈层之间。
• 使用轻量级的深度可分离卷积（Depthwise Separable Convolutions）进行特征过滤，并在瓶颈层中去除非线性以保持表示能力。
• 倒残差结构允许输入/输出域与变换表达性解耦，便于进一步分析。

性能评估：

• 在ImageNet分类、COCO目标检测和VOC图像分割任务上进行了性能评估。
• 比较了不同模型的精度、操作次数（MAdd）和实际延迟，以及参数数量。

目标检测应用：

• 提出了SSDLite框架，将MobileNetV2应用于目标检测，显著降低了计算成本和参数数量。
• 在COCO数据集上，MobileNetV2 + SSDLite在保持较高精度的同时，计算效率比YOLOv2高出20倍，参数量减少10倍。

语义分割应用：

• 通过简化DeepLabv3，提出了MobileDeepLabv3，用于移动设备上的语义分割任务。
• 在PASCAL VOC 2012数据集上，MobileNetV2作为特征提取器表现出色，参数量和计算量显著低于ResNet-101。

实验与分析：

• 实验表明，线性瓶颈层对于保持信息表示能力至关重要，非线性瓶颈层会降低模型性能。
• 倒残差结构在内存效率上具有优势，通过避免完全实现大型中间张量，减少了内存访问需求。

这篇文章为移动设备和资源受限环境下的高效计算机视觉模型设计提供了新的思路和方法，通过MobileNetV2在多个任务上的应用展示了其优越的性能。

---