《表1 轻量级Efficient Net-B0主干网络参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于联动扩展神经网络的水下自由活蟹检测器研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。