作者：Andrew G. Howard，Menglong Zhu，Bo Chen，Dmitry Kalenichenko，Weijun Wang，Tobias Weyand，Marco Andreetto，Hartwig Adam

作者单位：Google

发布时间：2017

发布期刊/会议：CVPR

论文全称：MobileNets：Efficient convolutional neural networks for mobile vision applications

论文地址：https://arxiv.org/abs/1704.04861

论文代码：

地位：针对移动端计算机视觉应用的高效卷积神经网络

个人理解

• 创新点：
  1. 使用深度可分离卷积网络来构建模型，大大减少了模型的参数量和计算量
  2. 设计宽度超参数（width muptiplier）和分辨率超参数（resolution multiplier），从而可根据需求结构化的改变模型的尺寸
• 为什么：边缘计算（机器人，无人驾驶等）的好处：实时，不需要网络，能够保证数据的隐私，但是边缘计算设备的算力通常都比较弱，内存也都很少，因此需要轻量化网络，而边缘计算的需求是非常广泛的！
• **怎么做：**使用深度可分离卷积网络来构建模型，并设计宽度超参数（width muptiplier）和分辨率超参数（resolution multiplier）来弹性的改变模型的尺寸，最后在各种计算机视觉任务上证明该模型的有效性！

一、摘要

We present a class of effificient models called MobileNets for mobile and embedded vision applications. MobileNets are based on a streamlined architecture that uses depthwise separable convolutions to build light weight deep neural networks. We introduce two simple global hyper parameters that effificiently trade off between latency and accuracy. These hyper-parameters allow the model builder to choose the right sized model for their application based on the constraints of the problem. We present extensive experiments on resource and accuracy tradeoffs and show strong performance compared to other popular models on ImageNet classifification. We then demonstrate the effectiveness of MobileNets across a wide range of applications and use cases including object detection, fifinegrain classifification, face attributes and large scale geo-localization.

• 提出了一种高效的专为移动端，的嵌入式芯片设计的轻量化网络——MobileNet。
• MobileNet是由多个深度可分离卷积模块堆叠起来的网络，另外，可以通过调整两个超参数（宽度超参数(width multiplier)和分辨率超参数(resolution multiplier)）来获得不同大小的MobileNet，从而获得速度和精度的权衡。
• 作者进行了大量的实验，在分类任务（classification）、目标检测任务（object detection），细粒度图像分类任务（finegrain classification），人脸属性识别任务（face attributes）和以图搜地（large scale geo-localization）任务五个任务上表现也很好。