GoogLeNet

介绍：
相较于简单暴力的提高深度网络性能方法：加深网络模型，增加数据集。作者提出结合深度模型和传统机器视觉思想来提高效能。（准确率+效率，特别适合用于移动端或是嵌入式，计算能力有限，为解决这一问题，可从减少参数入手）
base：赫布理论、多尺度、稀疏结构、network in network（下一篇阅读）

相关工作：
1、池化有益于准确率的提升
2、多滤波器模拟多尺度的学习
3、network in network ，提高网络的表现能力，增加深度却不增加计算复杂度，也可以增加宽度，使用33、55的滤波器
4、r-cnn的两个子阶段：低阶特征产生候选框，cnn进行分类（更高的目标边界框召回使用多盒预测，并融合了更好的边界框候选区域分类方法）

解决思路：

用大型深度稀疏网络结构拟合数据分布
卷积利用了空间域上的稀疏性，对上一层块采用密集连接的集合
11的filter降维处理，使得在每个inception module内部单元数量不受限制
层数越高，33、5*5的filter数量越来越多

googleNet：
22权重层，平均池化层取代全连接层
为避免反向传播过程中梯度的不稳定，在inception（4a）（4b）上j使用辅助分类器，推断时不需要辅助分类器
训练测试googleNet：
1、由于输入图像batch、采样方式的不同，得到并集成7个模型来推断。
2、裁剪方式：每张图像对应4个尺度，取左中右块，上下左右中裁剪出224*224的图像