iT邦幫忙

2021 iThome 鐵人賽

DAY 19
1
自我挑戰組

人臉辨識的基礎理論系列 第 19

人臉辨識-day19 加快訓練的模型

  • 分享至 

  • xImage
  •  

人臉辨識想要達到準確度高、辨識速度也要快,在大多的模型都利用較深的層數來強化模型的準確度,在2017年所出現的MobileNet模型是利用depthwise separable convolution來化簡參數個數,來達到減少原始convolution的計算量,在不降低太多原本利用捲積層的效果。
https://ithelp.ithome.com.tw/upload/images/20211004/20142039UTdCmQLbzj.png

舉例說明:Input (16,16,16) output(16,16,64) kernel size(3,3)

Original convolution
= K x K x Nch x M x W_in x H_in
= 3 x 3 x 16 x 64 x 16 x 16 = 2359296

Depthwise separable convolution
= K x K x Nch x W_in x H_in+ Nch x M x W_in x H_in
= 3 x 3 x 16 x 16 x 16 + 16 x 64 x 16 x 16
= 36864 + 262144 = 299008

這樣參數量從原先的2359296降低到299008

比例為299008/2359296=0.126

在Pointwise convolution為何1 x 1 x Nch是使用1呢?
因為在每一個Feature map與其他Feature map的關聯性要有所連接,乘1的話所有的Feature map關聯性較容易進行組合生成新的Feature map。


上一篇
人臉辨識-day18 人臉辨識的隱憂
下一篇
人臉辨識-day20 資料預處理--1
系列文
人臉辨識的基礎理論30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言