輕量型網路:MixNet解讀
MixNet: Mixed Depthwise Convolutional Kernelstensorflow/tpu
本文是谷歌大牛
深度分離卷積在當前輕量型Quoc V. Le
的在AutoML
領域的又一力作。下圖給出了它同其他NAS
所搜索網路在性能、FLOPs
方面的對比,從中可以看出:MixNet
取得完勝。ConvNets
得到廣泛應用,但其卷積核尺寸卻很少得到關注,甚至被忽視。作者系統的分析了卷積核尺寸的影響,同時發現,組合多尺寸卷積核可以取得更好的精度與效率。基於此,作者提出一種新的混合深度卷積(Mixed Depthwise Convolution, MDConv
),它很自然的將多個尺寸卷積核混疊到同一個卷積中。通過簡單的替換原始深度分離卷積,它可以幫助MobileNet
在ImageNet
分類與COCO目標檢測任務中取得精度與效率的提升。 通過集成MDConv
到AutoML
框架中,作者進一步研發一種新的模型:MixNets
。它優於已有輕量型網路,包含MobileNetV2(+4.2%), ShuffleNetV2(+3.5%), MnasNet(+1.3%), ProxylessNas(+2.2%), FBNet(+2.0%)
。特別的,MixNet-L
取得了78.9%的top-1分類精度(ImageNet
),同時FLOPs小於600M
。