GoogleNet论文精读与代码复现

深入解析GoogleNetv1：Inception架构与深度学习优化
原创 已于 2023-01-06 19:38:57 修改 · 443 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #计算机视觉 #人工智能

于 2023-01-06 13:22:02 首次发布
GoogleNetv1引入了Inception结构，通过结合不同大小的卷积核提高网络计算资源利用率，避免过拟合。网络设计考虑了卷积层的滤波器数量增加对计算量的影响，采用稀疏链接和密集子矩阵优化。网络结构包含多层Inception模块和平均池化层，减少了参数数量但保持高效率。训练策略包括并行训练、学习率调整、图像增广等，以提高模型性能和泛化能力。

GoogleNet论文精读笔记

1 核心观点

本文的工作点在于：

  • 提出了一种代号为Inception的深度卷积神经网络架构，提高了网络内部计算资源的利用率
  • 目标检测的最大收益并不来自于单独使用深度网络或更大的模型，而是来自于深度架构和经典计算机视觉的协同作用
  • Inception架构的主要思想是基于找出卷积视觉网络中最优的局部稀疏结构如何被现成的密集组件逼近和覆盖。

卷积网络的前代发展：
LeNet
stack Conv layer
NiN
最低0.47元/天 解锁文章
【图像去噪】论文精读：Iterative Denoiser and Noise Estimator for Self-Supervised Image Denoising（DCD-Net）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-11 193
论文题目：Iterative Denoiser and Noise Estimator for Self-Supervised Image Denoising —— 自监督图像去噪的迭代去噪和噪声估计器ICCV 2023！随着强大的深度学习工具的出现，越来越有效的深度去噪器推动了图像去噪领域。然而，这些基于学习的方法取得的巨大进展严重依赖于大规模和高质量的噪声/干净训练对，这限制了现实场景的实用性。为了克服这一点，研究人员一直在探索可以在没有配对数据的情况下去噪的自我监督方法。
【图像去噪】论文复现：适合新手小白的Pytorch版本CBDNet复现！轻松跑通训练和测试代码！简单修改路径即可训练自己的数据集！代码详细注释！数据处理、模型训练和验证、推理测试全流程讲解！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-19 2573
适合新手小白的Pytorch版本CBDNet复现！轻松跑通训练和测试代码！简单修改路径即可训练自己的数据集！代码详细注释！数据处理、模型训练和验证、推理测试全流程讲解！
论文精读之--GoogLeNet
weixin_43584866的博客
01-12 2483
GoogLeNet是2014年Google团队提出的，其中L为大写，目的是为了致敬LeNet。论文的多处命名来自于电影盗梦空间。GoogLeNet主要的模型是Inception（中文翻译为盗梦空间）。论文题目为《Going deeper with convolutions》，来自于该图片：GoogLNet当年取得了ILSVRC 2014年分类冠军，检测冠军以及定位亚军。开启了多尺度，1*1卷积时代，以及衍生了GooLeNet v2 v3 v4系列。
3. 论文精读1：Inception模块、GoogLeNet网络结构
liupc的学习笔记
08-09 739
一、GoogLeNet结构 1.1 Inception 结构 如图，右边是Inception的结构。左边是简单版本。简单版本存在一些问题，然后改进得到后面的版本。 通过命名"Inception module with dimension reducetions"就知道，是通过降维的方法来改进的。怎么做改进的呢？我们通过找茬来看看： 可以看到，改进就是加了3个1*1的卷积。1*1的卷积就是用来做降维的。 (1) (2) (3) Inception Module的特点 1..
超详细经典神经论文精读（三）——GoogLeNet
北离的深度学习物语
12-06 1174
GoogLeNet详细解读
GoogleNet 论文精读&&代码逐行解析
IanYue的博客
10-04 1620
笔者从人工智能小白的角度，力求能够从原文中解析出最高效率的知识。之前看了很多博客去学习AI，但发现虽然有时候会感觉很省时间，但到了复现的时候就会傻眼，因为太多实现的细节没有提及。而且博客具有很强的主观性，因此我建议还是搭配原文来看。请下载原文《Going Deeper with Convolutions》搭配阅读本文，会更高效哦！
GoogleNet论文精读 | 翻译+学习笔记+PyTorch代码复现
智算学术的博客
03-08 1116
上一篇我们介绍了VGG的论文和代码,并且附有视频讲解,今天我们来看这篇, GoogLeNet 是 Google 在 2014 年提出的一种深度卷积神经网络（CNN），用于图像分类任务。它在 ILSVRC 2014（ImageNet 大规模视觉识别挑战赛）中取得了第一名，表现优于当时的 AlexNet 和 VGGNet。GoogLeNet 的核心创新在于Inception 结构,GoogLeNet 通过Inception 结构提高特征提取能力
【图像去噪】论文精读：MemNet: A Persistent Memory Network for Image Restoration
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
08-22 1103
论文题目：MemNet: A Persistent Memory Network for Image Restoration —— MemNet：用于图像恢复的持久记忆网络ICCV 2017！延长记忆网络MemNet！DRRN相同团队出品！最近，非常深的卷积神经网络 (CNN) 在图像恢复中引起了相当大的关注。然而，随着深度的增长，这些非常深的模型很少实现长期依赖问题，这导致先验状态/层对后续状态几乎没有影响。
【图像超分】论文复现：CVPR 2023 | 一维变三维，空间和通道之间像素交互，扩大有效感受野，多尺度交互策略 | Omni-SR的Pytorch源码复现
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
04-17 1063
论文题目：Omni Aggregation Networks for Lightweight Image Super-Resolution —— 用于轻量级图像超分辨率的全聚合网络【图像超分】论文精读：Omni Aggregation Networks for Lightweight Image Super-Resolution（Omni-SR）Omni-SR改进注意力机制，做轻量化，核心思想是扩大有效感受野，增加特征融合；
googlenet论文_FCN论文精读
weixin_39945445的博客
11-30 608
1.研究成果及意义1.1 研究成果将分类网络改变为全卷积神经网络，具体包括全连接层转换为卷积层以及通过反卷积进行上采样使用迁移学习的方法进行微调使用跳跃结构使得语义信息和表征信息相结合，产生准确而精细的分割FCN证明了端到端、像素到像素训练方式下的卷积神经网络超过了现有语义分割方向最先进的技术FCN成为PASCAL VOC上最出色的分割方法，较2011和2012的state-of-the-art分...
GoogleNet经典论文4篇
11-26
欢迎想入门CNN和深度学习的朋友们阅读论文。 GoogleNet始于LeNet-5，一个有着标准的堆叠式卷积层冰带有一个或多个全连接层的结构的卷积神经网络。通常使用dropout来针对过拟合问题。  为了提出一个更深的网络，GoogLeNet做到了22层，利用inception结构，这个结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogLeNet在分类和检测上都取得了不错的效果。  最近深度学习的发展，大多来源于新的想法，算法以及网络结构的改善，而不是依赖于硬件，新的数据集，更深的网络，并且深度学习的研究不应该完全专注于精确度的问题上，而更应该关注与网络结构的改善方面的工作。
googLeNet 深度学习四篇论文
09-09
googLeNet 深度学习四篇论文 ： Inception-v1 Inception-v2 Inception-v3 Inception-v4
GoogLeNet论文详解
qq_38807688的博客
11-19 5603
原文地址： https://arxiv.org/pdf/1409.4842.pdf 论文研究目标： 利用赫布理论和多尺度处理直觉设计一种增加深度和宽度的提高内部计算资源利用率的（同时保持了计算预算不变）网络。 传统提神网络性能的方法和缺点： 最简单的CNN性能提升办法是增大网络的depth和width，这里的width指的是每一层的神经元数量。这种方式要两个缺点： 1.增加...
GoogleNet
zyp361161的博客
03-17 350
GoogLeNet系列论文
qq_38156104的博客
07-21 3147
GoogLeNet Incepetion V1 这是GoogLeNet的最早版本，出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。 Motivation 深度学习以及神经网络快速发展，人们不再只关注更给力的硬件、更大的数据集、更大的模型，而是更在意新的idea、新的算法以及模型的改进。 一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，即增加隐层和以及各层神经元
GoogLeNet论文阅读
weixin_44962171的博客
10-29 361
深度学习，googlenet
【论文阅读】VggNet网络结构及代码复现
想当咸鱼的猫
04-23 1366
1. VGGNet网络论文详解 1. Abstract: 本文的主要贡献：使用非常小的（3*3）卷积核（感受野思想）的架构来增加网络的深度，从而提高图形识别的准确性。并在ImageNet Challenge 2014 中的Localization Task获得第一名，Classification Task获得第二名。 2. ConvNet 配置： 网络层结构的设计灵感来源于Flexible, high performance convolutional neural networks for image c
【卷积神经网络系列】六、GoogLeNet复现（Pytorch实现）
traveller的博客
09-19 1227
GoogLeNet复现（Pytorch实现）
论文精读复现
最新发布
05-15
### 论文精读与实验复现的方法 #### 方法概述 论文精读和实验复现是深入理解研究工作的重要手段。在IT领域，这种方法不仅有助于掌握技术细节，还能培养批判性思维能力以及实际动手能力。以下是针对论文精读和实验...
评论 1
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