这篇文章在MobileNet v2的基础上提出了一个新型的轻量级网络结构MobileNet v3。其是用NAS与NetAdapt两个算法搜索出来的。这篇文章针对MobileNet v3给出了两个版本的实现MobileNetV3-Large和MobileNetV3-Small，分别应对资源消耗高低的场景。这两个网络结构成功用于目标检测与语义分割任务中。对于语义分割任务文章提出了一个新的高效解码器LR-ASPP（Lite Reduced Atrous Spatial Pyramid Pooling）。相对MobileNet v2这篇文章给出的两种网络结构分别提升了4.6%与3.2%，速度上快了5%与15%。在检测与分割任务上使用large的版本比MobileNet v2在相同精度下快了25%和30
文章的主要工作内容：
- 1）使用互补的网络搜索方法搜索得到轻量级的网络；
- 2）采用了新的非线性激活层h-swish；
- 3）一个新型的高效网络设计；
- 4）新型的语义分割解码器；
文章提出的网络性能：
2. 网络设计
2.1 高效的网络构建模块
前面内容已经提到，MobileNetV3 是神经架构搜索得到的模型，其内部使用的模块继承自：
1）MobileNetV1 模型引入的深度可分离卷积（depthwise separable convolutions）；
2）MobileNetV2 模型引入的具有线性瓶颈的倒残差结构(the inverted residual with linear bottleneck)，其结构见下图3所示；
MnasNet 模型引入的基于squeeze and excitation结构的轻量级注意力模型，这篇文章引入的位置与原论文中的位置并不相同，其引入的结构见图4所示。
这些被证明行之有效的用于移动端网络设计的模块是搭建MobileNetV3的积木。
网络（互补）搜索
在网络结构搜索中，作者结合两种技术：资源受限的NAS（platform-aware NAS）与NetAdapt，前者用于在计算和参数量受限的前提下搜索网络的各个模块，所以称之为模块级的搜索（Block-wise Search） ，后者用于对各个模块确定之后网络层的微调，主要是确定每层的filter数量（Layer-wise Search）。
2.3 网络优化
除了使用搜索算法搜索网络的整体结构之外，文章还从如下的两个方面进行改进：重新设计网络开始和结束位置处开销大的层；改进swish激活函数，使其能够快速高效计算。
2.3.1 重新设计开销大层
文中指出网络的开端和结尾存在开销较大的层，这是在现有的网络搜索空间中无法找到的，所以这里对其进行了手工改进。
文中对网络的最后一个stage进行了改进，作者首先移动average pooling层，使得最后特征的集合分辨率得以降低到1x1。由于特征生成层的cost被减少，之前的bottleneck也不再需要了，这就使得可以移除之前bottleneck中的层进一步减少计算量（带来15%的时间节省，10ms），从新得到的最后stage结构如下所示：
对于网络的头部一般的channel是32，这里使用改进的hard swish与channel为16的卷积去替换，从而进一步减少3ms。