林鱗 編譯自 Google Research Blog
量子位 出品 | 公眾號 QbitAI

深度學習在移動端部署的挑戰仍在。

雖然深度學習在影像分類、檢測等任務上頗具優勢，但提升模型精度對能耗和儲存空間的要求很高，移動裝置通常難以達到要求。

別怕。昨天，谷歌釋出了新一代移動架構MobileNetV2。

這是一種為移動裝置設計的通用計算機視覺神經網路，支援影像分類和檢測等任務，結果比上一代模型有顯著提升。在個人移動裝置上執行深度網路能時能提升體驗，讓使用者能在任何時間和地點進行訪問，在安全、隱私和能耗上還有額外優勢。

新特性

基於去年釋出的MobileNetV1的構建思路，新模型將深度可分離的卷積作為有效構建模組。在架構上，MobileNetV2引入了兩個新特性：一是層與層之間的線性瓶頸（linear bottlenecks），二是瓶頸之間的快捷連線。基本結構如下圖所示：

△ MobileNetV2架構概覽 | 藍色塊表示複合卷積架構模組

效能增強

總體來說，MobileNetV2能以更快的速度達到與V1相同的精度。

尤其值得注意的是，新模型減少了一半運算，所需引數減少30%，在谷歌Pixel手機上速度比MobileNetV1快了30-40%，同時實現了更高的精度。

△ MobileNetV2提高了速度(降低了延遲)並增加了ImageNet的Top 1的精度

在物件檢測和分割任務中，MobileNetV2是種非常有效的特徵提取器。例如當與新引入的SSDLite配對時，達到與MobileNetV1相同準確度時速度快了35%。目前研究人員已經在Tensorflow物件檢測API下開放了這個模型。


為了實現裝置上的語義分割，研究人員將MobileNetV2作為一個特徵提取器，簡化了用移動語義分割模型DeepLabv3構建新的Mobile DeepLabv3的過程。

在語義分割基準上，PASCAL VOC 2012結果模型達到與使用MobileNetV1作為特徵提取器相似的效能，但所需引數減少了5.3倍，所需運算減少了5.2倍。


總體來說，MobileNetV2提供了一個高效的移動導向模型，可作為許多視覺識別任務的基礎。

資源下載

目前，MobileNetV2作為TensorFlow-Slim影像分類庫的一部分發布，使用者也可在Colaboratory中開始探索使用。

此外，MobileNetV2也可作為TF-Hub上的模組，能在GitHub中找到預先訓練的檢查點。

官方部落格介紹：
https://research.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html

相關論文：
https://128.84.21.199/abs/1801.04381

程式碼地址：
https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet

TensorFlow-Slim影像分類庫：
https://github.com/tensorflow/models/blob/master/research/slim/README.md

Colaboratory地址：
https://colab.research.google.com/github/tensorflow/models/blob/master/research/slim/nets/mobilenet/mobilenet_example.ipynb

作者系網易新聞·網易號“各有態度”簽約作者

— 完 —

活動報名

加入社群

量子位AI社群15群開始招募啦，歡迎對AI感興趣的同學，加小助手微信qbitbot6入群；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進群請加小助手微訊號qbitbot6，並務必備註相應群的關鍵詞~通過稽核後我們將邀請進群。（專業群稽核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話介面，回覆“招聘”兩個字。

量子位 QbitAI · 頭條號簽約作者

վ'ᴗ' ի 追蹤AI技術和產品新動態