摘要

近年来，卷积神经网络在计算效率方面取得了显著提升。其中一项关键驱动力在于，通过结合使用 $1\times1$ 卷积与深度可分离卷积（depth-wise separable convolutions），替代传统的标准卷积层，实现了模型表达能力与计算效率之间的权衡。然而，这种效率提升的代价是网络中空间与通道间信息流动的次优表现。为克服这一局限，本文提出 MUXConv 层，该层通过逐步对通道信息与空间信息进行多路复用（multiplexing），有效增强网络中的信息流动，同时控制计算复杂度的增加。为进一步验证 MUXConv 的有效性，我们将其集成至一种高效的多目标进化算法中，用于联合搜索最优模型超参数，同时优化模型的准确率、紧凑性与计算效率。在 ImageNet 数据集上，所构建的模型（称为 MUXNet）在 Top-1 准确率（75.3%）与乘加操作数（218M）方面与 MobileNetV3 相当，但模型体积缩小了 1.6 倍，且在准确率、紧凑性与计算效率三项指标上均优于其他移动端模型。此外，MUXNet 在迁移学习任务以及目标检测任务中也表现出优异性能。在 ChestX-Ray 14 基准测试中，其准确率达到当前最先进水平，同时模型体积缩小 3.3 倍，计算效率提升 14 倍。在 PASCAL VOC 2007 目标检测任务中，相比 MobileNetV2，MUXNet 实现了 1.2% 的准确率提升，推理速度加快 28%，且模型体积减少 6%。相关代码已开源，可访问 https://github.com/human-analysis/MUXConv。