MobileNetとは

MobileNetは、Googleの研究者Andrew Howardらが2017年に発表したCNNです。スマートフォンなど、計算の力や電池に限りがある端末で画像認識を動かすことを目的にしています。

計算を2つに分けて軽くする

中心となる工夫は、Depthwise Separable Convolutionです。通常の畳み込みは、縦横の模様を見る処理と、チャネルどうしの情報を混ぜる処理を1回で行います。MobileNetはこれを、チャネルごとに縦横の模様を見るDepthwise畳み込みと、1×1のフィルタでチャネルを混ぜるPointwise畳み込みに分けます。

3×3のフィルタの場合、計算量は通常の畳み込みのおよそ8〜9分の1になり、精度の低下はわずかです。最初のMobileNetは、VGG16に近い精度を、約32分の1のパラメータ数と約27分の1の計算量で実現しました。

2つの乗数で大きさを調整する

モデルを縮めるためのハイパーパラメータも2つあります。

• 幅乗数（width multiplier）：各層のチャネル数を一律に細くします。計算量は、およそ幅乗数の二乗の割合で減ります。
• 解像度乗数（resolution multiplier）：入力画像を小さくします。計算量は、およそ解像度乗数の二乗の割合で減ります。

小さくするほど速くなる一方、精度は下がります。端末に合わせて精度と速さのバランスを選べます。

その後の発展

2018年のMobileNetV2では、反転残差と線形ボトルネックという構造が導入されました。この構造は、MnasNetやEfficientNetの基本ブロックにも使われています。MobileNetは、SSDなどの物体検出モデルの土台としても使われ、エッジAIを代表するモデルの1つになりました。

覚え方

「MobileNetは、畳み込みを縦横とチャネルに分けて軽くする」と覚えます。