计算机视觉之ShuffleNet图像分类

前言

ShuffleNetV1是一种计算高效的CNN模型，旨在在移动端利用有限的计算资源达到最佳的模型精度。其设计核心是引入了Pointwise Group Convolution和Channel Shuffle两种操作，以降低模型的计算量并保持精度。与MobileNet类似，ShuffleNetV1通过设计更高效的网络结构来实现模型的压缩和加速。通过几乎将参数量降低到最小，ShuffleNet在保持较高准确率的前提下具有较快的运算速度，单位参数量对模型准确率的贡献非常高。

模型架构

ShuffleNet最显著的特点是通过对不同通道进行重排来解决Group Convolution带来的问题，并且在较小的计算量下取得了较高的准确率。

Pointwise Group Convolution

分组卷积是一种卷积操作，相比普通卷积，它将输入特征图分成多个组，在每个组内进行卷积操作。这种方法可以减少参数量，但输出通道数仍然等于卷积核的数量。

Channel Shuffle

Group Convolution存在的问题是不同组别的通道无法进行信息交流，导致特征图之间不通信，类似于分成了互不相干的道路。为了解决这个问题，ShuffleNet引入了Channel Shuffle机制，通过将不同分组通道均匀分散重组，使网络能够处理不同组别通道的信息。