Abstract
面向移动设备的高效神经网络主干通常针对诸如FLOPs或参数数量等指标进行优化。
然而,这些指标可能与移动设备部署时网络的延迟关联不大。
因此,我们通过在移动设备上部署若干适合移动设备的网络,对不同指标进行了广泛分析。
我们识别并分析了近期高效神经网络中的架构和优化瓶颈,并提供了缓解这些瓶颈的方法。
为此,我们设计了一种高效的主干网络MobileOne,其变体在iPhone12上的推理时间低于1毫秒,同时在ImageNet上达到了75.9%的顶级准确率。
我们展示了MobileOne在高效架构中实现了业界领先性能,同时在移动设备上的速度比其他架构快许多倍。我们的最佳模型在ImageNet上的表现与MobileFormer相似,但速度快38倍。
我们的模型在ImageNet上比EfficientNet获得了相似的延迟下2.3%更高的顶级准确率。
此外,我们展示了我们的模型在多个任务上的泛化能力——图像分类、目标检测和语义分割,与现有高效架构相比,在移动设备上部署时在延迟和准确性上都有显著提升。
-
Previous
【TMM 2023】DADF-Net:Degradation-aware Dynamic Fourier-based Network For Spectral Compressive Imaging -
Next
【ICCV 2023】DreamTeacher:Pretraining Image Backbones with Deep Generative Models