1.MobileNet变迁
MobileNetV1利用了深度可分离卷积降低参数及计算量，提高了计算效率。
MobileNetV2则加入了线性bottlenecks逆残差模块构成了高效的基本模块。
MobileNetV3是综合了以下三种模型的思想：MobileNetV1的深度可分离卷积（depthwise separable convolutions）、MobileNetV2的具有线性瓶颈的逆残差结构(the inverted residual with linear bottleneck)和MnasNet的基于SE(squeeze and excitation)结构的轻量级注意力模型。将最后一步的平均池化层前移并移除最后一个卷积层，引入h-swish**函数。
2.互补搜索技术组合
由资源受限的NAS执行模块级搜索，NetAdapt执行局部搜索。
1）资源受限的NAS（platform-aware NAS）：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）。
2）NetAdapt：用于对各个模块确定之后网络层的微调。
对于模型结构的探索和优化来说，网络搜索是强大的工具。研究人员首先使用了神经网络搜索功能来构建全局的网络结构，随后利用了NetAdapt算法来对每层的核数量进行优化。对于全局的网络结构搜索，研究人员使用了与Mnasnet中相同的，基于RNN的控制器和分级的搜索空间，并针对特定的硬件平台进行精度-延时平衡优化，在目标延时(~80ms)范围内进行搜索。随后利用NetAdapt方法来对每一层按照序列的方式进行调优。在尽量优化模型延时的同时保持精度，减小扩充层和每一层中瓶颈的大小。
3.网络结构的改进
为了在保留高维特征的前提下减小延时，将平均池化前的层移除并用1*1卷积来计算特征图。特征生成层被移除后，先前用于瓶颈映射的层也不再需要了，这将为减少10ms的开销，在提速15%的同时减小了30m的操作数。
4.网络结构
MobileNetV3-Large和MobileNetV3-Small两种不同大小的网络结构。
5.性能比较6.用于语义分割Lite R-ASPP.