出处：
《Xception：Deep Learning with Depthwise Separable Convolutions》
背景：
Inception模块是一大类在ImageNet上取得顶尖结果的模型的基本模块，例如GoogLeNet、Inception V2/V3和Inception-ResNet。有别于VGG等传统的网络通过堆叠简单的3*3卷积实现特征提取，Inception模块通过组合1*1，3*3，5*5和pooling等结构，用更少的参数和更少的计算开销可以学习到更丰富的特征表示。
改进：
Inception的思想之一就是将通道相关性和空间相关性分开学习，Inception模块首先使用1*1的卷积核将特征图的各个通道映射到一个新的空间，在这一过程中学习通道间的相关性；再通过常规的3*3或5*5的卷积核进行卷积，以同时学习空间上的相关性和通道间的相关性。但3*3或5*5的卷积仍然是作用到多通道上。
如果我们将池化做简化，
然后提取1*1的卷积的公共部分
Xception的基本模块就是先对输入做1*1卷积，然后对每个通道分别做3*3卷积，最后concat
论文中提到了深度可分离卷积Depthwise Separable Convolution，相比于前面的基本模块，后者调换了顺序，先对输入的各个通道进行3*3卷积然后concat，然后在进行1*1卷积
3326
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
