本文深入探讨2017年经典论文Xception，该论文提出了一种深度可分离卷积（Depthwise Separable Convolutions）的方法。Xception模块在Inception结构基础上改进，通过分离通道和空间信息，降低了模型复杂度，实现参数量减少的同时保持性能。实验结果显示，Xception在ImageNet和JFT数据集上表现出色，实现了FLOPs与宽度的良好平衡。
paper：Xception: Deep Learning with Depthwise Separable Convolutions
URL：https://arxiv.org/abs/1610.02357
2017年的经典paper，作者在Inception的基础上引入DW卷积提出了Xception。
由于引入DW卷积，但作者的目的不是为了减少flops。所以增加了网络的宽度，所以可以认为是一个flop和width的balance。
Xception模块
一般来说，卷积核需要同时学习空间上的相关性和通道间的相关性。InceptionV3，将空间和通道的信息显示的分开处理。Inception模块首先使用1x1的卷积核将，这是在学习通道间的相关性；然后通过常规的3x3或5x5的卷积，同时学习空间上的相关性和通道间的相关性。
Inception如下图所示
不考虑5x5和平均池化，可以有如下的简化的inception
最低0.47元/天 解锁文章
524
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
