本文详细解读了《Xception: Deep Learning with Depthwise Separable Convolutions》这篇论文，探讨了深度可分离卷积在深度学习中的作用。Xception网络通过使用这种卷积方式减少了计算复杂度，同时保持了模型的准确性，为计算机视觉领域的模型设计提供了新的思路。
论文地址：
XInception
源码地址：
Tensorflow
这是一篇深度学习网络框架理论的文章，研究的点是比较热的深度，并不具体对某一任务（detection,tracking,segmentation）进行研究。
What: XIception 是Inception V3的改进版。模型将Inception V3的嵌入的卷积替换成了deepwise separable convolution。基于这种思想的卷积将 cross-channel convolution 与spatialconvolution看成是相互独立的，可以分开学习。文中将Inception 结构逐渐变化，最后扩展到极限情况得到图4. 图4的结构与deepwise separable convolution有两点不同：
（1）channel-wise spatial convolution 与1*1卷积的顺序不同，图四是先1*1然后是channel-wise spatial convolution&
最低0.47元/天 解锁文章
扫一扫
688
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
