本文是 Google 团队在 MobileNet 基础上提出的 MobileNetV2，其同样是一个轻量化卷积神经网络。目标主要是在提升现有算法的精度的同时也提升速度，以便加速深度网络在移动端的应用。
轻量化卷积神经网络MobileNet论文详解（V1&V2）
2018-05-23
2999
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
本文是 Google 团队在 MobileNet 基础上提出的 MobileNetV2，其同样是一个轻量化卷积神经网络。目标主要是在提升现有算法的精度的同时也提升速度，以便加速深度网络在移动端的应用。
目录
相关文章
|
14天前
|
机器学习/深度学习
人工智能
类人神经网络再进一步！DeepMind最新50页论文提出AligNet框架：用层次化视觉概念对齐人类
【10月更文挑战第18天】这篇论文提出了一种名为AligNet的框架，旨在通过将人类知识注入神经网络来解决其与人类认知的不匹配问题。AligNet通过训练教师模型模仿人类判断，并将人类化的结构和知识转移至预训练的视觉模型中，从而提高模型在多种任务上的泛化能力和稳健性。实验结果表明，人类对齐的模型在相似性任务和出分布情况下表现更佳。
38
3
3
|
5天前
|
机器学习/深度学习
计算机视觉
Python
【YOLOv11改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力
【YOLOv11改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力本文提出了一种简单且高效的卷积神经网络（ConvNets）注意力模块——SimAM。与现有模块不同，SimAM通过优化能量函数推断特征图的3D注意力权重，无需添加额外参数。SimAM基于空间抑制理论设计，通过简单的解决方案实现高效计算，提升卷积神经网络的表征能力。代码已在Pytorch-SimAM开源。
30
1
1
|
9天前
|
机器学习/深度学习
监控
自动驾驶
|
9天前
|
机器学习/深度学习
自然语言处理
算法
|
12天前
|
机器学习/深度学习
人工智能
算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别，使用Python作为主要编程语言，通过收集多种车辆车型图像数据集，然后基于TensorFlow搭建卷积网络算法模型，并对数据集进行训练，最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面，实现用户上传一张车辆图片识别其类型。
40
0
0
|
13天前
|
机器学习/深度学习
人工智能
自动驾驶
深度学习中的卷积神经网络（CNN）及其应用
【10月更文挑战第21天】本文旨在深入探讨深度学习领域的核心组成部分——卷积神经网络（CNN）。通过分析CNN的基本结构、工作原理以及在图像识别、语音处理等领域的广泛应用，我们不仅能够理解其背后的技术原理，还能把握其在现实世界问题解决中的强大能力。文章将用浅显的语言和生动的例子带领读者一步步走进CNN的世界，揭示这一技术如何改变我们的生活和工作方式。
38
1
1
|
14天前
|
机器学习/深度学习
计算机视觉
网络架构
【YOLO11改进 - C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略，轻量化网络结构
【YOLO11改进 - C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略，轻量化网络结构
52
1
1
|
2天前
|
机器学习/深度学习
人工智能
TensorFlow
深度学习中的卷积神经网络（CNN）及其在图像识别中的应用
【10月更文挑战第32天】本文将介绍深度学习中的一个重要分支——卷积神经网络（CNN），以及其在图像识别领域的应用。我们将通过一个简单的代码示例，展示如何使用Python和TensorFlow库构建一个基本的CNN模型，并对其进行训练和测试。
6
0
0
|
8天前
|
机器学习/深度学习
自然语言处理
TensorFlow
深度学习中的卷积神经网络（CNN）及其应用
【10月更文挑战第26天】在这篇文章中，我们将深入探讨卷积神经网络（CNN）的基本原理、结构和应用。CNN是深度学习领域的一个重要分支，广泛应用于图像识别、语音处理等领域。我们将通过代码示例和实际应用案例，帮助读者更好地理解CNN的概念和应用。
21
0
0
|
10天前
|
机器学习/深度学习
算法
计算机视觉
深度学习与生活：如何利用卷积神经网络识别日常物品
【10月更文挑战第24天】在这篇文章中，我们将探索深度学习如何从理论走向实践，特别是卷积神经网络（CNN）在图像识别中的应用。通过一个简单的示例，我们将了解如何使用CNN来识别日常生活中的物体，如水果和家具。这不仅是对深度学习概念的一次直观体验，也是对技术如何融入日常生活的一次深刻反思。文章将引导读者思考技术背后的哲理，以及它如何影响我们的生活和思维方式。
20
0
0
热门文章
最新文章
1
CNN-RNN中文文本分类，基于TensorFlow 实现
2
一文弄懂CNN及图像识别(Python)
3
使用CNN做电影评论的负面检测——本质上感觉和ngram或者LSTM同，因为CNN里图像检测卷积一般是3x3，而文本分类的话是直接是一维的3、4、5
4
DL之CNN：关于CNN(卷积神经网络)经典论文原文(1950~2018)简介总结框架结构图(非常有价值)之持续更新(吐血整理)
5
【Pytorch神经网络理论篇】 25 基于谱域图神经网络GNN：基础知识+GNN功能+矩阵基础+图卷积神经网络+拉普拉斯矩阵
6
CNN 卷积神经网络（下）
7
人工智能与图像识别：基于深度学习的卷积神经网络
8
m基于Faster R-CNN网络的火灾识别系统matlab仿真,带GUI界面
9
卷积神经网络入门基础
10
Automatic Detection of Welding Defects Using Faster R-CNN