轻量型网路:MixNet解读
MixNet: Mixed Depthwise Convolutional Kernelstensorflow/tpu
本文是谷歌大牛
深度分离卷积在当前轻量型Quoc V. Le
的在AutoML
领域的又一力作。下图给出了它同其他NAS
所搜索网路在性能、FLOPs
方面的对比,从中可以看出:MixNet
取得完胜。ConvNets
得到广泛应用,但其卷积核尺寸却很少得到关注,甚至被忽视。作者系统的分析了卷积核尺寸的影响,同时发现,组合多尺寸卷积核可以取得更好的精度与效率。基于此,作者提出一种新的混合深度卷积(Mixed Depthwise Convolution, MDConv
),它很自然的将多个尺寸卷积核混叠到同一个卷积中。通过简单的替换原始深度分离卷积,它可以帮助MobileNet
在ImageNet
分类与COCO目标检测任务中取得精度与效率的提升。 通过集成MDConv
到AutoML
框架中,作者进一步研发一种新的模型:MixNets
。它优于已有轻量型网路,包含MobileNetV2(+4.2%), ShuffleNetV2(+3.5%), MnasNet(+1.3%), ProxylessNas(+2.2%), FBNet(+2.0%)
。特别的,MixNet-L
取得了78.9%的top-1分类精度(ImageNet
),同时FLOPs小于600M
。