本文的主要貢獻點是一個構造了一個結構，稱為the inverted residual with linear bottleneck。該結構與傳統的residual block中維度先縮減后擴增相反，而是先將輸入的低維feature map擴增到高維，然后用depthwise convolution方式做卷積運算，然后再使用一個線性的卷積將其映射到低維空間中。
Inverted residual block簡單介紹
如上圖，左邊（a）圖的傳統的residual block，先用1x1卷積將輸入的feature map的維度降低，然后進行3x3的卷積操作，最后再用1x1的卷積將維度變大。右邊（b）圖即為本文提出的結構，先用1x1卷積將輸入的feature map維度變大，然后用3x3 depthwise convolution方式做卷積運算，最后使用1x1的卷積運算將其維度縮小。注意，此時的1x1卷積運算后，不再使用ReLU激活函數，而是使用線性激活函數，以保留更多特征信息，保證模型的表達能力。
該block具體結構如下：
當stride=1時，block內會有short cut；而當stride=2時，block沒有short cut。
下圖是MobileNetV2與MobileNetV1的區別（原圖鏈接）：
主要區別有兩點：
（1）Depth-wise convolution之前多了一個1*1的“擴張”層，目的是為了提升通道數，獲得更多特征；
（2）最后不采用Relu，而是Linear，目的是防止Relu破壞特征。