【论文详解】Inceptionv1-v4(2014-2016)

最新推荐文章于 2025-01-08 21:07:13 发布
最新推荐文章于 2025-01-08 21:07:13 发布
阅读量299 收藏 1
点赞数
分类专栏： 图像分类 文章标签： GoogLeNet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chiyukunpeng/article/details/107547426
版权

文章目录

1 论文信息

题目代码
Inceptionv1Going Deeper with ConvolutionsTF复现
PyTorch复现
Inceptionv4Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningTF复现
PyTorch复现

2 概述

GoogLeNet是ILSVRC2014图像分类任务的冠军，其主要贡献是引入了Inception模块，使用了更少的参数获得了更高的性能。此后，针对Inception进行了一些改进，尤其是第四版加入了ResNet的残差连接，性能得到了极大地提升。

3 Inception演进

3.1 Inception_v1

如下图所示，Inception_v1使用了1x1卷积进行降维，同时在多个尺寸上同时进行卷积再聚合。
在这里插入图片描述

3.2 Inception_v2&v3

如下图所示，Inception_v2&v3提出用两个连续的3x3卷积核代替一个5x5的卷积核，在保持感受野大小相同的情况下参数量更小。
在这里插入图片描述

3.3 Inception_v4

下图是Inception-ResNet-v1，引入了残差连接。

在这里插入图片描述
下图是Inception-ResNet-v2，与v1结构一样，区别在于通道数。
在这里插入图片描述

4 实验结果

Inception_v1Inception_v2&v3Inception_v4Inception-ResNet
top-5(%)6.75.63.83.7
Inception-v4论文总结
慕云
06-15 202
1、论文相关 2、研究思想 【1】CNN很强 【2】A+B=？模型 【3】残差学习带来小部分提升 【4】A+B=AB较好的模型，提出激活值缩放技巧来训练模型。 【5】本文研究Residual learning+inception 【6】RL对于非常深的网络的训练非常重要 3、研究背景 GoogLeNet-V1 (Inception-V1) 11卷积，Inception模块 GoogLeNet-V1（2014-09）：借鉴NIN广泛应用11卷积，借鉴多尺度Gabor滤波器提出多尺度卷积的Inception结
第十六篇 Inception V2、Inception V3、Inception V4模型详解
AI浩
02-07 988
在前面的文章，我详解了GoogLeNet的网络结构，想必大家对GoogLeNet的Inception结构非常的了解了，GoogLeNet共有四个版本，我们在前面学习到的GoogLeNet也就是Inception V1。接下来，这篇文章将详解V2、V3、V4的网络结构。
大话CNN经典模型：GoogLeNet（从Inception v1到v4的演进）
雪饼的博客
03-17 2648
—— 原文发布于本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），欢迎关注。2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构（详见  大话CNN经典模型：VGGNet），而GoogLeNe...
讲解GoogleNet的Inception从v1到v4的演变
忽逢桃林的博客
02-02 5319
GoogleNet和VGG是ImageNet挑战赛中的第一名和第二名。共同特点就是两个网络的层次都更深了。但是： VGG继承了LeNet和AlexNet的一些框架结构 而GoogleNet则做了更大胆的尝试，虽然深度有22层，但是参数却是Alexnet的1/12.而VGG都是Alexnet的三倍，由此可见，在内存和计算资源有限的时候，GoogleNet是好的结构，而且这个的性能更加优越，碾压VG...
Inception-V1到Inception-V4
q199502092010的博客
05-13 947
    GoogLeNet主要思想为Inception结构主要参考了http://caffecn.cn/?/question/255题外话;吴恩达老师的深度学习课程讲的非常的明白。1.对图像进行卷积是压缩提取图像特征信息的一个过程，构造不同的卷积核提取出的就是不同的特征。卷积神经网络厉害的地方是将滤波核当做参数去进行训练，找到各种各样的奇怪特征，这是计算机视觉中最为有效的思想之一。2.关于步长的总...
[论文笔记] Inception V1-V4 系列以及 Xception
xby的学习笔记存档处
11-02 3030
作者团队：谷歌 Inception V1 （2014.09） 网络结构主要受Hebbian principle 与多尺度的启发。 Hebbian principle：neurons that fire togrther,wire together 单纯地增加网络深度与通道数会带来两个问题：模型参数量增大（更容易过拟合），计算量增大（计算资源有限）。 改进一：如图(a)，在同一层中采用不同大小的...
网络宽度扩充--Inception v1-v4，xception变式学习记录
panghuzhenbang的博客
05-06 588
Inception v1 问题： （图片来自网络，侵删） 从左到右：狗占据了图片的大部分，狗占据了图片的一部分，狗仅占据了图片的很小一部分 。 由于信息位置的巨大差异，为卷积操作选择合适的卷积核大小就比较困难； 信息分布更全局性的图像偏好较大的卷积核，信息分布比较局部的图像偏好较小的卷积核； 非常深的网络更容易过拟合。将梯度更新传输到整个网络是很困难的； 简单地堆叠较大的卷积层非常消耗计算资源。 为什么不能在同一层上采用多个尺寸的过滤器呢？网络本质上会变得更宽（即输入输出特征图chann
【深度学习】GoogLeNet系列解读 —— Inception v4
z小白的博客
10-29 3万+
目录 GoogLeNet系列解读 Inception v1 Inception v2 Inception v3 Inception v4 简介 在介绍Inception v4之前，首先说明一下Inception v4没有使用残差学习的思想。大部分小伙伴对Inception v4存在一个误解，认为它是Inception module与残差学习的结合，其实并不是这样，Inception ...
SSD 论文详解
dexterod的博客
03-12 8503
SSD: Single Shot MultiBox Detector （ECCV 2016） 声明：笔者翻译论文仅为学习研究，如有侵权请联系作者删除博文，谢谢！ 源论文地址：https://arxiv.org/abs/1512.02325 源论文代码：https://github.com/weiliu89/caffe/tree/ssd 笔者践行代码：【tensorflow版本正在整理中~】 注：文...
Inception模型详解及代码分析
最新发布
hasakie的博客
01-08 268
Inception系列模型由Google团队提出，旨在解决CNN分类模型面临的两大挑战：如何在增加网络深度的同时提升分类性能如何在保证分类准确率的同时降低计算和内存开销Inception V1通过引入和，巧妙地解决了这两个问题，在保证模型质量的前提下减少了参数数量，同时提高了对多尺度特征的捕捉能力。这种创新设计使Inception能够在增加网络深度的同时，显著提升了模型的性能和效率。Inception模型的核心思想源于对传统卷积神经网络(CNN)的革新性思考。它突破了单一卷积核大小的局限，通过。
Inception结构详解(从V1到V4，再到xcpetion)
ximu__l的博客
03-13 1万+
详细讲了关于Inception结构的内容和原理(从Inception V1到Inception V4，再到xcpetion)，都做了详细的介绍
经典神经网络 | 从Inception v1到Inception v4全解析
Wenrui Xie的博客
08-22 1549
本文介绍了 Inception 家族的主要成员，包括 Inception v1、Inception v2 、Inception v3、Inception v4 和 Inception-ResNet。它们的计算效率与参数效率在所有卷积架构中都是顶尖的。 Inception 网络是CNN分类器发展史上一个重要的里程碑。在 Inception 出现之前，大部分流行 CNN 仅仅是把卷积层堆叠得越来越多，使网络越来越深，以此希望能够得到更好的性能。 例如AlexNet，GoogleNet、 VGG-Net、.
Inception v1~v4和Inception-ResNet v1~v2总结
David Lee的博客
05-27 5181
Inception v1~v4和Inception-ResNet v1~v2总结
googleNet Inception v1 - v4 papers 发展历程
susandebug
04-21 2万+
google Inception v1 - v4 papers 发展历程 先上Paper列表： [v1] Going Deeper with Convolutions, 6.67% test error, http://arxiv.org/abs/1409.4842[v2] Batch Normalization: Accelerating Deep Network Training by
TensorFlow实现inception-resnet
u014524930的博客
02-16 1万+
论文地址 inception-v1，inception-v2，inception-v3，inception-v4 事前准备 我这边使用的是Windows平台TensorFlow1.4 gpu版本，当然如果是cpu版本也玩不了，太慢了，这个网络可是用来跑ImageNet的。另外你可以下载前面的inception-v4论文，因为接下来要对照论文进行实现。当然这里只是尝试模拟，可能会有错误，欢迎指...
经典网络结构：Inception到Mobilenet的蜕变
BigCowPeking
04-19 3254
Inception v1的网络，主要提出了Inceptionmodule结构（1*1，3*3，5*5的conv和3*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1*1 conv，结构如下图所示，代表作GoogleNet假设previous layer的大小为28*28*192，则，a的weights大小，1*1*192*64+3*3*192...
极简解释inception V1 V2 V3 V4
热门推荐
念去去的博客
06-24 3万+
Inception v1 inception的核心就是把google net的某一些大的卷积层换成1*1, 3*3, 5*5的小卷积，这样能够大大的减小权值参数数量。直接上一张完整的图片 可以看到，卷积了几步之后就开始出现并行的过程，换成几个1*1， 3*3， 5*5的卷积并列。然后再把分别卷积的结果作为层数维度上的合并。 比方说这一层本来是一个28*28大小的卷积核，一共输出224层，...
ResNet、Inception和Xception三大变革性架构
XSYYMY的博客
10-08 2128
ResNet ResNet 诞生于一个美丽而简单的观察：为什么非常深度的网络在增加更多层时会表现得更差？ 直觉上推测，更深度的网络不会比更浅度的同类型网络表现更差吧，至少在训练时间上是这样（当不存在过拟合的风险时）。让我们进行一个思想实验，假设我们已经构建了一个 n 层网络，并且实现了一定准确度。那么一个 n+1 层网络至少也应该能够实现同样的准确度——只要简单复制前面 n 层，再在最后一层增...
深度学习方法（十一）：卷积神经网络结构变化——Google Inception V1-V4，Xception（depthwise convolution）...
weixin_30549657的博客
03-15 415
欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。 技术交流QQ群：433250724，欢迎对算法、机器学习技术感兴趣的同学加入。 上一篇讲了深度学习方法（十）：卷积神经网络结构变化——Maxout Networks，Network In Network，Global Average Pooling，本篇讲一讲Google的Inc...
TRIMOS测高仪V3-V4-V5中文操作指南：全面详解与安装维护
TRIMOS丹青系列V3、V4、V5测高仪是一款精密测量工具，由瑞士TRIMOS公司生产，旨在提供准确、稳定的测量解决方案。这份中文操作说明书详细阐述了该设备的功能、安装、操作流程以及维护保养等内容。 1. **固件版本与...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值