inverted residual block 结构
时间: 2023-07-28 09:11:03 浏览: 85
Inverted Residual Block 是 MobileNetV2 中的一种基础结构,也是一种轻量级卷积神经网络的常见设计模块。它的结构如下:
1. 对输入特征图使用 $1\times1$ 卷积进行降维,输出通道数为输入通道数的 $\alpha$ 倍。
2. 对降维后的特征图使用深度可分离卷积进行特征提取。
3. 对提取后的特征图使用 $1\times1$ 卷积进行升维,输出通道数为输入通道数的 $\beta$ 倍。
4. 将升维后的特征图与输入特征图相加,得到最终特征图。
其中,$\alpha$ 和 $\beta$ 是超参数,用于控制模型的宽度和深度。Inverted Residual Block 具有参数少、计算量小、模型轻量等优点,适合在移动设备等资源受限的场景中应用。
相关问题
Inverted Residual block
倒置残差块(Inverted Residual block)是一种主导移动网络结构设计的模块。它通过引入两个设计原则来改变经典的残差瓶颈结构,即学习倒置残差和使用线性瓶颈。这种设计改变的必要性是重新思考信息丢失和梯度混淆的风险。为了有效缓解这些问题,提出了一种新的瓶颈设计,称为sandglass block。这种设计在更高维度进行恒等映射和空间转换,以减少信息丢失和梯度混淆的影响,非常有效。在MobileNeXt中,使用了基于sandglass block的架构,堆叠了多个这样的模块。网络的输入是一个32维输出的卷积层,然后是堆叠的sandglass block,最后是全局平均池化层将二维特征图压缩为一维,并由全连接层输出每个类别的分数。<em>1</em><em>2</em><em>3</em>
#### 引用[.reference_title]
- *1* *2* [Rethinking Bottleneck Structure for Efficient Mobile Network Design](https://blog.csdn.net/goodenough5/article/details/129852613)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item]
- *3* [MobileNext:打破常规,依图逆向改造inverted residual block | ECCV 2020](https://blog.csdn.net/lichlee/article/details/125313988)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item]
[ .reference_list ]
inverted residual block
倒置残差块(inverted residual block)是一种在深度学习中常用的卷积神经网络模块。它是MobileNet V2中的一种模块,通过将传统的残差块进行倒置,使得网络在保持高效性的同时,能够更好地处理低维度的特征。倒置残差块的核心思想是通过先进行轻量级的卷积操作,再进行深度级别的卷积操作,从而减少计算量和参数数量,提高网络的效率。
阅读全文