背景:
一般来说,增加网络的深度和宽度可以提升网络的性能,但是这样做也会带来参数量的大幅度增加,同时较深的网络需要较多的数据,否则很容易产生过拟合现象。除此之外,增加深度的有一个坏处就是很容易造成梯度消失的现象。由此,ImageNet大赛上,GoogLeNet(Inception)很好地解决了这个问题。
Inception基础结构图:
Inception特点:
-
采用并行结构代替之前VGG的深度串行结构
-
采用几个大小不同的卷积运算和池化,最后再拼接(通道拼接)到一起
-
1x1、3x3、5x5的卷积运算对应不同的特征图区域,这样做的好处:可以得到更好的图像表征信息
-
精心设计了22层卷积网络
-
Inception的参数量较少,适合处理大规模数据,尤其是对于计算资源有限的平台
为进一步降低参数量,Inception又增加了较多的1x1卷积块进行降维,改进为Inception v1版本,Inception v1共9个上述堆叠的模块,共有22层ÿ