1，理论部分

轻量级卷积神经网络 （CNN） 专为移动设备上的应用程序而设计，具有更快的推理速度。卷积运算只能捕获窗口区域中的局部信息，这会阻止性能进一步提高。将自我注意引入卷积可以很好地捕获全局信息，但会在很大程度上阻碍实际速度。在本文中，我们提出了一种硬件友好的注意力机制（称为 DFCattention），然后提出了一种用于移动应用程序的新 GhostNetV2 架构。所提出的 DFC 注意力是基于全连接层构建的，它不仅可以在通用硬件上快速执行，还可以捕获远程像素之间的依赖关系。我们进一步重新审视了以前的 GhostNet 中的表达瓶颈，并建议在 DFC 关注下增强廉价操作产生的扩展功能，以便 GhostNetV2 块可以同时聚合本地和远程信息。广泛的实验证明了 GhostNetV2 相对于现有架构的局限性。例如，它在 ImageNet 上以 167M FLOPs 实现了 75.3% 的 top-1 准确率，显著抑制了 Ghost NetV1 （74.5%），计算成本相似