Inception系列网络解析(一)

1 简介

Inception网络是为解决图像内容差异不能有效提取图像信息问题而提出的，核心是将某一层网络卷积核拆分成不同尺寸的卷积核，如3×3的卷积核拆分成1×1,3×3的卷积核，增加输出网络层的尺寸，如30×30，步长为1，使用3×3的卷积核，不填充，输出的图像尺寸28×28，若使用1×1和3×3的卷积核，提取图像信息，输出深度图层尺寸为30×30和28×28，获取的图像信息较单一卷积核丰富，同时小卷积核可提取更小目标的信息，更有效利用图像信息。普通卷积神经网络如图1.0, Inception基本结构如图1.2所示。从GoogleNet(Inception v1)之后，衍生出v2，v3和v4，其中v2和v3是对卷积核进一步拆分，而v4引入了ResNet(残差网络)保证模型精度的情况下增加网络层。

图1.0 普通卷积层

图1.2 原始inception网络

2 Inception系列网络

【GoogleNet】

图2.0 GoogleNet网络

GoogleNet第一次提出Inception概念,并设计了22层(不包括池化层)的网络结构,称为Inception V1，核心结构如图2.1所示。

2.1 Inception V1

如图2.1所示，在Inception基础上，添加1×1的小卷积核，降低数据维度，减小计算开销。

图2.1 inception v1

2.2 Inception V2

将Inception V1中的5×5卷积核拆分为两个3×3的卷积核。

图2.2 inception v2

2.3 Inception V3

将Inception V2中的3×3卷积核拆分为两个n×1和1×n的卷积核，其中n=7。

图2.3 inception v3

2.4 Inception V4

分别在V1，V2和V3基础上添加残差连接，即把某一卷积计算的输出和输出直接连通，同维度直接计算，不同维度进行卷积转换后连接，保证模型精度情况下，增加网络深度，获取更多的图像信息，用于分类。
【Inception ResNet V1】

图2.4 inception-ResNet-v1

【Inception ResNet V2】

图2.5 inception-ResNet-v2

【Inception ResNet V3】

图2.6 inception-ResNet-v3

---

【参考文献】
[1]https://arxiv.org/pdf/1409.4842.pdf
[2]https://arxiv.org/pdf/1502.03167.pdf
[3]https://arxiv.org/pdf/1512.00567.pdf
[4]https://arxiv.org/pdf/1602.07261.pdf
[5]http://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc

---