Xception: Deep Learning with Depthwise Separable Convolutios简单理解

最新推荐文章于 2021-06-29 11:05:23 发布
最新推荐文章于 2021-06-29 11:05:23 发布
阅读量455 收藏 2
点赞数
分类专栏： CVPR TensorFlow 文章标签： 深度学习 计算机视觉 人工智能
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。
本文链接：https://blog.csdn.net/qq_32768091/article/details/83751901
版权
本文介绍了Xception网络，它是Inception模块的一种改进，通过深度可分卷积实现通道间和空间相关性的完全分离。Xception网络首先使用1×1卷积处理通道相关性，然后应用深度卷积进行空间卷积，降低了计算复杂度，提高了模型效率。深度可分卷积已在TensorFlow等框架中广泛使用。
摘要由CSDN通过智能技术生成

论文地址：Xception
github:Xception
介绍这篇论文呢，还是先回顾一下之前的Inception网络
VGG等传统的网络通过堆叠简单的33卷积实现特征提取，还有用11卷积 5*5的，但是用哪种大小的卷积是最好的并不清楚，Inception结构就把这些不同大小的卷积核都放进去，让网络自己去训练决定，也就是将一个输入同时输给这几种提取特征方式，然后做concat，这样还有一个直观的好处，可以学到不同尺度的信息，同时相对于VGG等网络来说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。
在这里插入图片描述

通常，在一组特征图上进行卷积需要三维的卷积核，也即卷积核需要同时学习空间上的相关性和通道间的相关性。将这两种相关性显式地分离开来，是Inception模块的思想之一：Inception模块首先使用11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33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。

但此时，通道间的相关性和空间相关性仍旧没有完全分离，也即33或55的卷积核仍然是多通道输入的，那么是否可以假设它们可以被完全分离？显然，当所有33或55的卷积都作用在只有一个通道

最低0.47元/天 解锁文章
SanKinPlus
关注
专栏目录
论文阅读笔记——Xception: Deep Learning with Depthwise Separable Convolutions
sinat_39223177的博客
09-14 658
我们提出了卷积神经网络中Inception模块的解释，作为常规卷积和深度可分离卷积操作(深度卷积之后是点卷积)之间的中间步骤。从这个角度来看，深度可分离卷积可以被理解为具有最大数量塔的Inception模块。这一观察结果使我们提出了一种受Inception启发的新型深度卷积神经网络架构，其中Inception模块已被深度可分离卷积所取代。
翻译Xception:Deep Learning with Depthwise Separable Convolutions
qq_35495665的博客
11-05 634
Xception：Deep Learning with Depthwise Separable Convolutions 原始论文：CVPR 2017 Abstract 我们将卷积神经网络中的Inception模块解释为介于常规卷积和深度可分离卷积运算(深度卷积接点卷积)之间的中间步骤。在这种情况下，一个深度可分离卷积可以理解为一个具有最大数量塔的Inception模块。基于这一观察，我们提出了一...
《2017-Xception Deep Learning with Depthwise Separable Convolutions》
u010067397的专栏
11-23 336
本论文追求的不是准确率的提高，而是不降低准确率的前提下，减少参数数量，寻找更有的结构； 这篇论文是不错的实验模仿对象，以后做实验可以按照本论文的思路探索； 动机 要解决什么问题？ 探寻Inception的基本思路，并将这种思路发扬光大。 用了什么方法解决？ 从Inception发展历程的角度，理解其基本思想，并引入与Inception类似的Depthwise Separa...
[Paper note] Xception: Deep Learning with Depthwise Separable Convolutions
chn13的博客
12-13 2578
paper note for Xception
Xception: Deep Learning with Depthwise Separable Convolutions
TJMtaotao的博客，高校计算机教师
12-02 1703
Xception: Deep Learning with Depthwise Separable Convolutions Franc ¸ois Chollet Google, Inc. fchollet@google.com Abstract 我们将卷积神经网络中的起始模解释为介于正则卷积和可分离卷积操作（先是可分离卷积再是点卷积）之间的中间步骤。在这个光中，可以将深度可分离卷积理解为具有...
《Xception: Deep Learning with Depthwise Separable Convolutios》笔记
KangRoger的专栏
04-09 6138
继Inception V1-V4之后，又一方法改进其结构。通过解耦和处理cross-channel相关和spatial相关，得到一个Xception结构网络
【图像分类—Xception】Xception: Deep Learning with Depthwise Separable Convolutions
扬帆·启航
03-07 1461
将Inception V3结构中的Inception改用Depthwise Separable Convolution,在与Inception V3参数数量相差无几的情况下，在ImageNet上性能有略微上升，JFT上有明显提高。
Xception：Deep Learning with Depthwise Separable Convolutions论文阅读解释
albertshi12的博客
07-31 3345
论文链接：https://arxiv.org/abs/1610.02357 声明：本文属于个人阅读论文时理解的中文意思，并不是对每个单词的翻译，如有错误，敬请谅解。欢迎大家的指点。 摘要 在卷积神经网络中，我们将Incpetion模块解释为规则卷积到depthwise separable convolutions操作（一个depthwise convolution后面跟一个pointwise...
Xception: Deep Learning with Depthwise Separable Convolutions论文笔记
xuefengxiaoyang的博客
07-02 273
摘要： 这篇论文主要讲了如何从传统的卷积演化到深度可分离卷积，并提出了Xception架构。 一、从传统卷积到深度可分离卷积： 传统的卷积一系列卷积串行堆叠在一起，用来提取特征，这样做的好处是能让特征图不同的通道上空间关系建立联系，因为每个输出的通道都是由输入特征图上所有通道上空间信息的融合，典型的网络架构比如VGG,如下： 后来，Inception想让特征图中的通道部分解耦，即将互相...
Xception:Deep Learning with Depthwise Separable Convolutions/深度可分离卷积
akadiao的博客
05-31 605
Xception在论文Xception: Deep Learning with Depthwise Separable Convolutions中被提出.Xception是对Inception V3的一种改进.主要将Inception V3中的Inception结构替换为depthwise separable convolution如图: 最左侧为Inception V3中使用的Incept...
《Xception: Deep Learning with Depthwise Separable Convolutions》论文翻译
dujuancao11的博客
07-16 1043
论文地址：https://arxiv.org/abs/1512.03385这篇基本是直译，很多意思不到位，还需要改进。 深度可分卷积的深度学习 摘要 我们将卷积神经网络中的初始模块解释为常规卷积和深度可分离卷积(深度卷积后是点态卷积)之间的一个中间步骤。在这种情况下，深度可分离卷积可以被理解为具有最大数量塔的初始模块。这一发现促使我们提出了一种新的深度卷积神经网络架构，灵感来自于Inception，其中Inception模块被深度可分离的卷积所取代。我们展示了这个被称为Xception的架构，在Im.
【Xception】《Xception: Deep Learning with Depthwise Separable Convolutions》
bryant_meng
01-11 996
CVPR-2017 （solo CVPR，
Xception: Deep Learning with Depthwise Separable Convolutions——通用网络
qq_41820921的博客
06-29 154
摘要： 本文利用深度可分离卷积搭建网络。搭建的网络结构与Inception V3 类似，可以理解为将Inception中的卷积替换为深度可分离卷积。 深度可分离卷积包括两个部分：一、channel-wise spatial convolution(分组卷积，组数与输入通道数相等，通道之间在计算时是相互独立的) 二、1*1卷积。前者建立空间之间的关系，后者建立通道间的关系 除上述本文的核心内容之外，该文章有一个新的实验结论：在深度可分离卷积中，channel-wise spatial convolu
【轻量级网络】Xception -- Deep Learning with Depthwise Separable Convolutions
筱
05-29 383
depthwise separable conv = depthwise conv + pointwise conv 一、Motive Inception是性能最好的骨干网之一,用很少的参数可以学习到很丰富的特征。 Inceptionv3的基本模块结构如下： filter在三维空间（2空间维度和1通道维度）进行学习，需要同时学习空间相关性和通道相关性(cross-channel correlat...
Inception系列4_Xception： Deep Learning with Depthwise Separable Convolutions
sunyao_123的博客
12-19 1290
Xception： Deep Learning with Depthwise Separable Convolutions 作者：Franc ¸ois Chollet卷积层的作用是既要学习二维信息，也要学习三维信息。为了使得这种学习简单高效，inception将其分解为一系列的操作，独立的学习二维和三维特征。首先通过一系列的1X1关注与三维相关性，映射到3~4个独立的比输入更小的空间，然后在通过3
Xception:Deep Learning with Depthwise Separable Convolutions
weixin_37759713的博客
11-17 442
论文阅读笔记 论文链接：https://openaccess.thecvf.com/content_cvpr_2017/html/Chollet_Xception_Deep_Learning_CVPR_2017_paper.html Abstract This observation leads us to propose a novel deep convolutional neural network architecture inspired by Inception, where Incept
Xception: DeepLearning with Depthwise Separable Convolutions2017Google【论文理解】
m0_37477175的博客
11-19 304
暂定----
xception: deep learning with depthwise separable convolutions
最新发布
09-09
### 回答1： Xception是一种深度学习模型，它使用深度可分离卷积来提高模型的效率和准确性。深度可分离卷积是一种卷积操作，它将标准卷积分成两个步骤：深度卷积和逐点卷积。深度卷积在每个输入通道上执行卷积，而逐点卷积在每个通道之间执行卷积。这种方法可以减少计算量和参数数量，同时提高模型的准确性。Xception模型在图像分类、目标检测和语义分割等任务中表现出色。 ### 回答2： Xception是一个基于深度可分离卷积的深度学习架构。深度学习在计算机视觉和自然语言处理等领域取得了巨大成功，但也面临着计算复杂性和模型尺寸庞大的问题。Xception通过引入深度可分离卷积来解决这些问题。 深度可分离卷积由分离卷积和逐点卷积两个步骤组成。首先，分离卷积将输入张量分别应用于空间和通道维度上的低秩张量。通过这种方式，模型可以分别学习特征的空间位置和通道之间的依赖关系。其次，逐点卷积将通道维度上的低秩张量应用于输出特征图。逐点卷积允许每个通道单独学习特征。 通过使用深度可分离卷积，Xception减少了参数的数量，并提高了模型的计算效率。与传统卷积相比，深度可分离卷积在减少计算量的同时，还可以提高模型的表示能力。这意味着Xception可以更好地捕捉和表示输入数据中的特征。 在实践中，Xception在图像分类、目标检测和语义分割等任务上都取得了非常好的表现。由于其较小的模型尺寸和高效的计算性能，Xception成为了很多研究者和工程师首选的深度学习架构之一。 总而言之，Xception通过引入深度可分离卷积来解决深度学习中的计算复杂性和模型尺寸庞大的问题。它减少了模型参数的数量、提高了模型的计算效率，同时又保持了较高的表示能力。作为一种强大的深度学习架构，Xception在多个领域具有广泛的应用和研究价值。 ### 回答3： Xception是一种深度学习模型，使用深度可分离卷积的方法来提高模型的准确性和效率。深度可分离卷积是一种卷积操作，由分离卷积和逐元素卷积两个步骤组成。 在传统卷积中，输入图像通过一个卷积核进行卷积操作，得到特征图。而在深度可分离卷积中，卷积操作被分解成两个步骤。首先，输入图像通过一个分离卷积核进行深度卷积，从而获取特征深度信息。然后，逐元素卷积操作被应用于分离卷积的输出，以获取空间信息。这种分离的方式减少了计算量和参数量，提高了模型的效率。 Xception模型使用了这种深度可分离卷积的结构。相比于传统的卷积方式，Xception模型能够更好地捕捉到输入图像中的细节信息。同时，由于深度卷积和逐元素卷积的分离，Xception模型的参数量大大减少，使得模型更加轻量化，便于在移动设备等资源受限的场景中应用。 通过对ImageNet大规模图像数据库进行训练，Xception模型取得了很好的性能。它在图像分类、目标检测和语义分割等任务上都取得了优秀的结果。同时，Xception模型也为其他相关任务，如迁移学习和特征提取等，提供了一个有力的基础。 总的来说，Xception是一种利用深度可分离卷积的深度学习模型，它在提高准确性和效率方面取得了显著的进展。它的设计和性能使得它成为了计算机视觉领域一个重要的技术突破。
评论
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