GoogLe图像分类模型 Inception-v2，Inception-v3 论文笔记

最新推荐文章于 2024-07-09 23:41:12 发布

Cyiano

最新推荐文章于 2024-07-09 23:41:12 发布

阅读量5.4k

点赞数 1

分类专栏：深度学习文章标签：计算机视觉深度学习

本文链接：https://blog.csdn.net/Cyiano/article/details/75675372

版权

本文详细介绍了GoogLe图像分类模型Inception-v2和Inception-v3的设计原理和改进策略，包括卷积的因式分解、辅助分类器、特征图尺寸降低等方法，旨在减少计算量并提升模型性能。实验结果显示，这些优化策略能够有效提高网络的分类准确率。

摘要由CSDN通过智能技术生成

标题：Rethinking the Inception Architecture for Computer Vision
作者：Christian Szegedy，Vincent Vanhoucke， etc.
下载地址：https://arxiv.org/abs/1512.00567

自2012年Alexnet提出以来，图像分类、目标检测等一系列领域都被卷积神经网络CNN统治着。接下来的时间里，人们不断设计新的深度学习网络模型来获得更好的训练效果。一般而言，许多网络结构的改进（例如从VGG到RESNET可以给很多不同的计算机视觉领域带来进一步性能的提高。
这些CNN模型都有一个通病：计算量大。最早的AlexNet含有60M个参数，之后的VGGNet参数大致是AlexNet的3倍之多，而14年GoogLe提出的GoogleNet仅有5M个参数，效果和AlexNet不相上下。虽然有一些计算技巧可以减少计算量，但是在无形中会增加模型的复杂度。参数少的模型在一些超大数据量或内存受限的场景下具有很大优势。
14年GoogLe提出的GoogleNet也叫Inception，设计的目的就是为了减少计算参数和内存使用，但其论文does not provide a clear description about the contributing factors that lead to the various design decisions of the GoogLeNet architecture，于是很难将其用到一些新的场景上。本篇论文，就是要对Inception结构进行改进，已获得更好的分类效果。

本小节介绍了四个基于大量实验得出的设计经验，后面的模型多少也有体现出这些准则，但是这些并非在所有场景下都适用：
- 在网络的前面部分，避免表示瓶颈。网络中的特征图尺寸虽然越来越小，但是一开始不能将尺寸压缩得太过。特征的维度（通道）只能提供图像信息的简单估计，很多结构关联信息都体现在特征的尺寸上。
- 高维度特征在网络局部更容易处理。增加维度（通道数）能让网络生成更多解耦的信息，利于训练。
- 在低维度时进行空间聚合，可减少表达的损失。
- 权衡网络的宽度和深度。宽度和深度可能分别指的是每个卷积层滤波器数量和网络总深度（Optimal performance of the network can be reached by balancing the number of filters per stage and the depth of the network. ）。虽然二者同时增加最能提高网络性能，但需要注意计算资源的消耗。

GoogleNet带来的性能提升很大程度上要归功于“降维”，也就是卷积分解的一种。考虑到网络邻近的激活单元高度相关，因此聚合之前进行降维可以得到类似于局部特征的东西。接下来主要讨论其他的卷积分解方法。既然Inception网络是全卷积，卷积计算变少也就意味着计算量变小，这些多出来的计算资源可以来增加filter-bank的尺寸大小。

卷积核大，计算量也是成平方地增大。假设有一个5*5的卷积核，我们可以Figure1将其分成两次3*3卷积，这样输出的尺寸就一样了。虽然5*5的卷积可以捕捉到更多的邻近关联信息，但两个3*3组合起来，能观察到的“视野”就和5*5的一样了。分解之后，训练的参数从 5∗5=

关注