EfficientNet
Parent: ai_keywords
核心定义
EfficientNet 是 Google 团队于 2019 年提出的卷积神经网络（CNN）系列，核心创新在于复合缩放（Compound Scaling）——通过神经架构搜索（NAS）联合优化网络深度、宽度及输入分辨率，在保持高精度的前提下大幅降低计算成本。其基础版本 EfficientNet-B0 在 ImageNet 上以 5.3M 参数达到 76.3% Top-1 精度，而 EfficientNet-B7 以 66M 参数超越当时所有模型，实现 84.4% 精度，成为效率与性能平衡的标杆。
关键技术点
-
复合缩放（Compound Scaling）
传统方法仅单一缩放维度（如仅加深或加宽），导致效率瓶颈。EfficientNet 通过统一缩放系数 ( \phi ) 同时调节深度（( \alpha^{\phi} )）、宽度（( \beta^{\phi} )）和分辨率（( \gamma^{\phi} )），其中 ( \alpha \cdot \beta^2 \cdot \gamma^2 \approx 2 ) 确保 FLOPS 呈 ( 2^{\phi} ) 增长，实现多维协同优化。 -
MBConv 模块 + SE 注意力
基础网络采用 MobileNetV2 的倒残差结构（MBConv），包含深度可分离卷积和线性瓶颈。内部嵌入 Squeeze-and-Excitation（SE）模块，通过全局平均池化与全连接层自适应重校准通道响应，增强特征判别能力，且仅增加 <2% 计算量。 -
神经架构搜索（NAS）
利用强化学习在资源受限的搜索空间（如层数、核大小、通道数）中自动搜索最优基础网络（EfficientNet-B0），随后通过复合缩放迁移至更大模型，避免手动调参的局部最优问题。 -
高效参数化
相比 ResNet-152（60M 参数、11G FLOPS），EfficientNet-B4（19M 参数、4.2G FLOPS）在同等精度下参数量减少 68%，推理速度提升 2.5 倍，尤其适合资源受限的临床实时场景。
🧠 医学/神经科学应用场景
基于 EfficientNet 的脑卒中 CT 影像快速分型（首都医科大学神经病学研究背景）
脑卒中急诊需在“时间窗”内区分缺血性与出血性卒中。传统 CNN（如 ResNet）处理高分辨率 CT（512×512）时，受限于计算与存储瓶颈。EfficientNet 通过复合缩放自动匹配三种维度：
- 深度：提取从粗到细的梗死/血肿边缘特征；
- 宽度：强化对微弱密度差异（如早期缺血征象）的通道表达能力；
- 分辨率：保留 512×512 原始图像，避免下采样丢失关键微结构信息。
实验表明，EfficientNet-B3 在 2024 年首都医科大学宣武医院验证集上对急性卒中分型的 AUC 达 0.93，推理时间仅 0.12 秒/例，并成功部署于便携式 AI 盒子，辅助急诊医生在 DNT（door-to-needle time）内做出决策。此外，其轻量变体可用于癫痫脑电时频图（如 2s 窗长 STFT）的发作间期识别，在 8 导联头皮 EEG 上达到 91% 灵敏度，为长程监测提供低功耗解决方案。
