《表1 轻量级Efficient Net-B0主干网络参数》
其中,α、β、χ通过网络搜索暴力枚举得到最优解,θ可根据模型可用资源进行调节,同时也表明资源的可用范围。α增加一倍,浮点运算次数FLOPs随之增加2倍;β和χ增加一倍,FLOPs随之增加4倍。最终联动扩展操作使FLOPs变为原来的2θ倍。之后再以Mobile Net V2[24]中的反向残差结构和压缩-激励优化[25]构建的MBConv(图8)作为基本模块。通过神经网络架构搜索方式,在限制目标FLOPs和存储空间的情况下,搜索得到一系列网络Efficient Net B0~B6。本文采用Efficient Net-B0网络作为模型的主干网络,网络参数如表1所示。在stem stage层考虑到小模型对前期底层特征的依赖性,未使用最大池化,而采用步长为2的卷积操作,可有效减少信息的丢失。其中多个stage都采用5×5的卷积核,这是因为MBConv 5×5的浮点运算次数FLOPs5比2个MBConv 3×3的浮点运算次数FLOPs3小,而且大卷积核比小卷积核的效率高。
图表编号 | XD00224382700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.25 |
作者 | 赵德安、曹硕、孙月平、戚浩、阮承治 |
绘制单位 | 江苏大学电气信息工程学院、江苏大学电气信息工程学院、江苏大学电气信息工程学院、江苏大学电气信息工程学院、武夷学院机电工程学院 |
更多格式 | 高清、无水印(增值服务) |