深度学习在移动端部署的挑战仍在。 虽然深度学习在图像分类、检测等任务上颇具优势,但提升模型精度对能耗和存储空间的要求很高,移动设备通常难以达到要求。 别怕。昨天,谷歌发布了新一代移动架构MobileNetV2。 这是一种为移动设备设计的通用计算机视觉神经网络,支持图像分类和检测等任务,结果比上一代模型有显著提升。在个人移动设备上运行深度网络能时能提升体验,让用户能在任何时间和地点进行访问,在安全、隐私和能耗上还有额外优势。 新特性基于去年发布的MobileNetV1的构建思路,新模型将深度可分离的卷积作为有效构建模块。在架构上,MobileNetV2引入了两个新特性:一是层与层之间的线性瓶颈(linear bottlenecks),二是瓶颈之间的快捷连接。基本结构如下图所示:
性能增强总体来说,MobileNetV2能以更快的速度达到与V1相同的精度。 尤其值得注意的是,新模型减少了一半运算,所需参数减少30%,在谷歌Pixel手机上速度比MobileNetV1快了30-40%,同时实现了更高的精度。 △ MobileNetV2提高了速度(降低了延迟)并增加了ImageNet的Top 1的精度 在对象检测和分割任务中,MobileNetV2是种非常有效的特征提取器。例如当与新引入的SSDLite配对时,达到与MobileNetV1相同准确度时速度快了35%。目前研究人员已经在Tensorflow对象检测API下开放了这个模型。 为了实现设备上的语义分割,研究人员将MobileNetV2作为一个特征提取器,简化了用移动语义分割模型DeepLabv3构建新的Mobile DeepLabv3的过程。 在语义分割基准上,PASCAL VOC 2012结果模型达到与使用MobileNetV1作为特征提取器相似的性能,但所需参数减少了5.3倍,所需运算减少了5.2倍。 资源下载目前,MobileNetV2作为TensorFlow-Slim图像分类库的一部分发布,用户也可在Colaboratory中开始探索使用。 此外,MobileNetV2也可作为TF-Hub上的模块,能在GitHub中找到预先训练的检查点。 官方博客介绍: 相关论文: 代码地址: TensorFlow-Slim图像分类库: Colaboratory地址: 作者系网易新闻·网易号“各有态度”签约作者 |
|
来自: 洋溢o5l502fgf3 > 《待分类》