《Network In Network》翻译

$$Network{}_{}In{}_{}Network$$

$$Min{}_{}Lin,{}_{}{}_{}Qiang{}_{}Chen,{}_{}{}_{}Shuicheng{}_{}Yan$$

$$网络中的网络$$

  摘要：我们提出了一种新的深度网络结构，称为“Network in Network”(NIN)，以增强模型对感受野中局部图像块的辨别能力。传统的卷积层使用线性滤波器，然后使用非线性激活函数来扫描输入。取而代之的是，我们建立了具有更复杂结构的微型神经网络，以提取感受野内的数据。我们用多层感知器来实例化微型神经网络，这是一种有效的函数逼近器。特征映射是通过以类似于CNN的方式在输入上滑动微网络来获得的；然后它们被喂到下一层。可以通过堆叠多个上述结构来实现深度NIN。通过微网络增强局部建模，我们能够利用分类层中特征映射的全局平均池，这比传统的全连接层更容易解释并且不容易过拟合。我们展示了NIN在CIFAR-10和CIFAR-100上的最新分类性能，以及在SVHN和MNIST数据集上的合理性能。

图1 线性卷积层和mlpconv层的比较。线性卷积层包含线性滤波器，而mlpconv层包含微网络（在本文中我们选择多层感知器）。两层都将局部感受野映射到潜在概念的置信度值。

图2 Network In Network的总体结构。在本文中，NIN包括三个mlpconv层的堆叠和一个全局平均池层的堆叠。