MobileNet
Google开发的轻量级卷积神经网络架构，专为移动端和嵌入式设备设计，在计算资源受限环境下实现高效图像分类与目标检测
时间轴 (近 90 天)
深度可分离卷积（Depthwise Separable Convolution）是 MobileNet 系列提出的核心构件，它把标准卷积拆成 depthwise 和 pointwise 两步，在 3×3 卷积下通常能降到原来计算量的八分之一到九分之一。
一项研究系统比较了AlexNet、Inception、LeNet、VGG16和MobileNet五种CNN架构在Pequi树（Caryocar brasiliense）枝枯病检测中的表现。
MobileNet专为移动端和边缘设备设计，通过深度可分离卷积大幅压缩参数量。
深度可分离卷积将标准卷积分解为深度卷积和逐点卷积两步，可将计算量和参数量减少约8至9倍，代价是通道间信息交互被延后，表达能力略有损失。
此类AI模型通常采用卷积神经网络（CNN）或轻量级视觉模型如MobileNet系列，输入为实时帧序列，输出为疑似摄像头区域的置信度热图
TWS耳机芯片功耗预算通常在数十毫瓦级别,而轻量级视觉模型推理功耗往往达数百毫瓦,可能将耳机续航从数小时压缩到不足一小时
早期边缘AI主要依赖轻量级卷积神经网络（如MobileNet、EfficientNet）执行感知任务，参数量通常在百万级别，推理时仅需数十毫秒
深度可分离卷积由Google在MobileNet中推广，将标准卷积分解为depthwise空间卷积和1×1 pointwise通道混合两步操作
全部知识事实 (8)
深度可分离卷积（Depthwise Separable Convolution）是 MobileNet 系列提出的核心构件，它把标准卷积拆成 depthwise 和 pointwise 两步，在 3×3 卷积下通常能降到原来计算量的八分之一到九分之一。
50%待验证深度可分离卷积将标准卷积分解为深度卷积和逐点卷积两步，可将计算量和参数量减少约8至9倍，代价是通道间信息交互被延后，表达能力略有损失。
50%待验证MobileNet专为移动端和边缘设备设计，通过深度可分离卷积大幅压缩参数量。
50%待验证此类AI模型通常采用卷积神经网络（CNN）或轻量级视觉模型如MobileNet系列，输入为实时帧序列，输出为疑似摄像头区域的置信度热图
50%待验证TWS耳机芯片功耗预算通常在数十毫瓦级别,而轻量级视觉模型推理功耗往往达数百毫瓦,可能将耳机续航从数小时压缩到不足一小时
50%待验证早期边缘AI主要依赖轻量级卷积神经网络（如MobileNet、EfficientNet）执行感知任务，参数量通常在百万级别，推理时仅需数十毫秒
50%待验证深度可分离卷积由Google在MobileNet中推广，将标准卷积分解为depthwise空间卷积和1×1 pointwise通道混合两步操作
50%待验证一项研究系统比较了AlexNet、Inception、LeNet、VGG16和MobileNet五种CNN架构在Pequi树（Caryocar brasiliense）枝枯病检测中的表现。
50%