来源：research.googleblog.com

作者：Mark Sandler and Andrew Howard

编译：文强

【新智元导读】谷歌今天发布MobileNet重大更新，推出MobileNetV2，在结构上使用depthwise可分离卷积为基础，在层与层之间增加了线性的bottleneck，并且bottleneck之间也增加了残差连接，因此速度更快，精度更高，更适合设备上处理。

去年我们推出了MobileNetV1，这是一系列专为移动设备设计的通用计算机视觉神经网络，支持分类、检测等功能。在个人移动设备上运行深度网络的能力可改善用户体验，随时随地访问，并为安全性、隐私和能耗提供额外优势。随着新应用的出现，用户可以与真实世界进行实时交互，因此对更高效的神经网络也提出了需求。

今天，我们很高兴地宣布推出支持下一代移动视觉应用的MobileNetV2。相比MobileNetV1，MobileNetV2有了一些重大改进，推进了分类、对象检测和语义分割等移动视觉识别技术的最好性能。MobileNetV2作为TensorFlow-Slim图像分类库的一部分发布，你也可以在下载Jupyter笔记本，或者直接在Colaboratory环境中探索MobileNetV2。

MobileNetV2也并入谷歌最新发布的TensorFlow Hub当中作为TF-Hub上的模块使用，预训练好的checkpoints可以在Github上找到。

MobileNetV2基于MobileNetV1的思想，使用在深度上可分离的卷积（depthwise separable convolution）作为构建模块。不过，V2引入了两种新的架构特性：1）在层与层之间的线性的bottleneck，以及2）bottleneck之间的shortcut链路。基本结构如下所示。

MobileNetV2的架构：蓝色模块代表深度可分离卷积层

MobileNetV2的设计直觉是，bottleneck对模型的中间输入和输出进行编码，而内部的层则封装了模型从低级概念（比如像素）转换为更高级的描述（比如图像类别）的能力。最后，与传统的残差连接一样，shortcut可以让训练速度更快，准确性更高。

更多技术细节参见论文“MobileNet V2：Inverted Residuals and Linear Bottlenecks”。

与第一代MobileNets相比性能如何？

总体而言，MobileNetV2模型在精度相同的情况下，整体速度都更高。特别是，V2使用的操作次数减少了2倍，参数减少了30％，在Google Pixel手机上的速度比MobileNetV1模型快30％至40％，同时实现了更高的准确性。

MobileNetV2作为物体检测和分割的特征提取器是非常有效的。例如，当与SSDLite[2]配对进行检测时，新模型在取得相同精度的情况下，要比MobileNetV1快大约35％。我们已经在Tensorflow Object Detection API下开源了这一模型[4]。

为了实现设备上语义分割（on-device semantic segmentation），我们使用MobileNetV2作为语义分割模型DeepLabv3简化版的特征提取器[3]。在语义分割基准PASCAL VOC 2012中，这一模型获得了与使用MobileNetV1作为特征提取器相似的性能，但参数要少5.3倍，MIultiply-Adds操作次数减少了5.2倍。

MobileNetV2提供了一个非常高效的面向移动的模型，可以用作许多视觉识别任务的基础。希望通过与更广泛的学术和开源社区分享这一技术，我们能够帮助推动研究和应用程序的开发。

致谢

感谢核心贡献者朱梦龙, Andrey Zhmoginov 和Liang-Chieh Chen。特别感谢Bo Chen, Dmitry Kalenichenko, Skirmantas Kligys, Mathew Tang, Weijun Wang, Benoit Jacob, George Papandreou, Zhichao Lu, Vivek Rathod, Jonathan Huang, Yukun Zhu，以及Hartwig Adam。

论文MoblieNetV2：反向残差和线性瓶颈

摘要

在本文中，我们描述了一种新的移动架构MobileNetV2，改善了移动模型在很多任务和基准中的state of the art，并且在很多不同尺寸的移动模型上做到了这一点。我们描述了将这些移动模型应用在我们称之为SSDLite的新框架中进行对象检测的有效方法。此外，我们还演示了如何通过我们称为Mobile DeepLabv3的简化形式DeepLabv3来构建移动语义分割模型。

MobileNetV2架构基于反向残差结构，其中残差块的输入和输出是薄的瓶颈层，与传统残差模型相反——传统残差模型在输入中使用扩展表示（expanded representations），而MobileNetV2使用轻量级深度卷积过滤中间扩展层中的特征。此外，我们发现为了维持表示的能力（representational power），去除很窄的层中的非线性非常重要。我们证明这可以提高性能，并提供得出这一设计的直觉。最后，我们的方法能将输入/输出域与转换的表达性分开，为进一步分析提供了便利的框架。我们衡量了新模型在ImageNet分类，COCO物体检测，VOC图像分割方面的性能。我们评估了精度和MAdd操作次数之间的trade-off，以及参数的数量。

论文专门对比了几种移动视觉模型的架构：NasNet是谷歌使用神经网络自动搜索得到的，ShuffleNet则是去年孙剑团队提出的，基于分组逐点卷积和通道重排操作，优于谷歌MobileNet

了解更多：

1. MobileNetV2论文：https://arxiv.org/pdf/1801.04381.pdf

2. MobileNet Github：https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet

3. 谷歌博客：https://research.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html

4. ShuffleNet介绍：孙剑团队提出移动端神经网络ShuffleNet，优于谷歌MobileNet

【加入社群】

新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手微信号: aiera2015_1 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。