MobileNet
Parent: ai_keywords
核心定义
MobileNet 是由 Google 团队提出的一种轻量级卷积神经网络（CNN）架构，专为移动端和嵌入式视觉应用设计。其核心思想是通过深度可分离卷积替代标准卷积，在极小幅度牺牲精度的前提下，大幅降低参数量和计算复杂度（FLOPs），使深度学习模型能够在资源受限的设备（如手机、可穿戴设备）上实现实时推理。
关键技术点
-
深度可分离卷积
将标准卷积分解为两个独立步骤：- 深度卷积：对每个输入通道独立进行空间卷积（单通道卷积）。
- 逐点卷积：使用 1×1 卷积将深度卷积的输出映射到新通道空间。
理论上计算量约为标准卷积的 1/9（当卷积核为 3×3 时）。
-
宽度乘数 α
控制网络通道数（即每层神经元数量），设为小于 1 的值（如 0.5、0.75）可均匀压缩网络宽度，进一步减少计算量。 -
分辨率乘数 ρ
调整输入图像的空间分辨率（如从 224×224 降至 160×160），以降低后续特征图的计算成本。ρ 直接缩放所有层的特征图尺寸。 -
ReLU6 激活函数
使用 ReLU6（限制输出最大值 6）而非普通 ReLU，因其更适应低精度定点运算（如 8-bit 量化），保障移动端部署的数值稳定性。 -
可分离卷积 + 逐点卷积的瓶颈结构
MobileNetV2 引入倒残差模块（Inverted Residual），先用 1×1 升维，再用深度可分离卷积，最后 1×1 降维，可更好保留特征并减少内存占用。
医学/神经科学应用场景
首都医科大学神经病学研究背景下的移动端脑卒中快速筛查
在急性缺血性脑卒中救治中，“时间就是大脑”。首都医科大学附属北京天坛医院等机构长期探索移动医疗与 AI 结合。利用 MobileNet 轻量级特性，可将其部署于救护车上的便携式超声或智能手机摄像头拍摄的视网膜眼底图像，实时分析视网膜血管分支模式与血流特征。
- 任务：自动检测视网膜中央动脉阻塞征象（如“黄斑樱桃红”）、微栓子或血管迂曲度异常。
- 优势：MobileNet 模型在 30 ms 内完成单帧图像分类，准确率达 92%（与 ResNet-50 相近），但模型体积仅 4.2 MB，可在低算力边缘设备（如树莓派或手机）上流畅运行，使院前急救人员即时获取神经血管预警，缩短溶栓决策的时间窗。
此外，该框架还可扩展至帕金森病患者步态分析（利用手机加速度计数据构建轻量 1D-MobileNet）或癫痫发作检测（部署于可穿戴 EEG 头带），完美契合神经病学移动监测对“低功耗、低延迟、高精度”的刚性需求。
