卷积神经网络框架三：Google网络--v1:Going deeper with convolutions

卷积神经网络框架之Google网络

Going deeper with convolutions

简述：
本文是通过使用容易获得的密集块来近似预期的最优稀疏结构是改进用于计算机视觉的神经网络的可行方法。提出“Inception”卷积神经网络，“Google Net”是Inception的具体体现，这个架构提出了对于较大的数据集不使用增加网络深度而是增加网络宽度的方法。

问题or相关工作：
当时，对于较大的数据集，当前普遍是增加层数和层大小，同时使用dropout来解决过拟合的问题，这种方法有两个明显的缺点，一个是会产生大量的过拟合现象，另一个是对竞争资源的使用显著增加，也就是说网络到达一定的深度时，再为其增加深度，反而会降低系统性能。GoogleNet较R-CNN来说，基本保留了类似的方法，但在其中的两个方面进行了改进，一是多框预测，以获得更高的对象边界框回收，二是集成方法，以更好地对边界框建议进行分类。
本文提出network - in - network模型是在卷积层中附加一个1×1的卷积层，主要用作降维模块来减少计算量，否则将限制网络的大小。这不仅可以增加网络的深度，还可以在不影响性能的情况下增加网络的宽度。

模型：

图a中，不同大小的卷积核意味着最后可以将不同尺度特征相互融合，而且在通过不同大小卷积核进行卷积时，只要把步长和填充值调节合适，就会得到相同维度的特征，就可以完美拼接了。图b是加入了network - in - network模型，用1×1的卷积核参数对模型降维，减少参数，提高运算量。

具体的数据如下：

成果：

ILSVRC 2014 Classification Challenge Setup

ILSVRC 2014 Detection Challenge Setup