1:文字回答:GoogLeNet-V3中,特征图分辨率从3535降到1717,采用的是Inception(ABCDE)中的哪一个? 对应论文中哪一幅图?该结构最大的特点是什么?
答:Inception B,如下图所示;对应论文的图10;特点是同样的效果下减少计算量。
2:文字回答:Label Smoothing 对模型训练有什么积极影响? 其中的epsilon参数作用是什么?
答:解决因过度自信导致的过拟合;在label_smoothing里,有一个epsilon的参数值,该值描述了将标签软化的程度,该值越大,经过label smoothing后的标签向量的标签概率值越小,标签越平滑,反之,标签越趋向于hard label。
3:文字回答:卷积分解有哪两种形式? 分别在Inception(ABCDE)中何处使用?
答:①将大卷积分解为小卷积表示,②在分辨率为12-20的特征图上进行非对称卷积分解效果较好;Inception A将7X7卷积替换为3个3X3卷积,5X5卷积替换为2个3X3卷积和Inception C处理17X17特征图,采用非对称卷积。
4:文字回答:读完该论文,对你的启发点有哪些?
答: CNN的分类是CNN视觉任务的基础:在分类上表现好的CNN,通常在其它视觉任务中表现也良好。
移除两个辅助分类层中的第一个,并不影响网络性能。
非对称卷积分解在分辨率为12-20的特征图上效果较好,且用1X7和7X1进行特征提取。