卷积神经网络框架三:Google网络--v3:Rethinking the Inception Architecture for Computer Vision

Rethinking the Inception Architecture for Computer Vision
简述:
我们将通过适当的因子卷积(factorized convolutions)和主动正则化(aggressive regularization),以尽可能有效地利用增加的计算量的方式来解释如何扩展网络。并提出了Inception-v3网络架构,在ILSVRC 2012的分类任务中进行测试,错误率更低,达到了21.2% top-1 and 5.6% top-5 error。VGGNet虽然架构简单,但网络需要大量的计算。在本文中,我们首先描述了一些基本原理和优化思想,并证明对有效地扩展卷积网络非常有用,这是通过大量使用在inception模块的增加维度和并行结构来实现的,它允许减轻结构更改对附近组件的影响。
本文通过以下4个原则来改进原有的Inception网络:
1.避免典型的瓶颈,特别是在网络的初期。
2.高维表示更容易在网络中局部实现。
3.空间聚合可以通过更低维度的嵌入来实现,而不会损失太多或任何表示能力。
4.平衡网络的宽度和深度。

问题or相关工作:
1.辅助分级机(Auxiliary Classifiers):侧分支(side head)机制再实际测试中没有很大的作用,有无侧分支并没有对结果有较大的影响,但如果侧分支是批处理规范化的[7]或具有dropout层,则网络的主分类器的性能会更好,这一点得到了支持。下图截取Inception-v1模型的部分,图中右侧的黄色部分即为侧分支(side head)
在这里插入图片描述
2.Efficient Grid Size Reduction:传统上,卷积网络使用一些池操作来减小特征图的网格大小。为了避免典型的瓶颈,在应用最大池或平均池之前,将扩展网络过滤器的维度。
3.Performance on Lower Resolution Input:实验表明,虽然高分辨输入的数据网络的准确率高,并且网络的性能较好,但是现有数据集同样存在低分辨率的数据。本文为了使分辨率不对准确率有大幅的改变,即为了做出准确的评估,模型需要分析模糊的提示,以便能够“幻觉”出细节,在下图的测试中,有了很好的效果。
在这里插入图片描述
1)299×299 field size,步长为2,第一层后有最大池化。
2)151×151 field size,步长为1,第一层后有最大池化。
3)79×79 field size,步长为1,第1层后未使用最大池化
上表可以说明,虽然低分辨率的网络需要更长的时间来训练,但最终的结果质量与高分辨率的网络相当接近。

模型:
在这里插入图片描述
A)普通Inception模型
在这里插入图片描述
B)将Inception模块中的5×5卷积替换为两个3×3卷积
在这里插入图片描述
C)对n×n卷积层的拆分为n×1和1×n
在这里插入图片描述
D)将上面卷积filter分解的思路进一步改进,将3×3卷积分解3×1和1×3 filter
在这里插入图片描述
E )减少网格大小的两种替代方法。但左边的这种做法违反了第一条原则,即避免引入典型的瓶颈瓶颈;右边的做法在计算量上要多3倍。
在这里插入图片描述
F)Inception模块,减少了网格大小,而扩大了filter banks(过滤器组)。它不仅参数少而且避免了原则1所说的bottleneck。右边的图表代表了相同的解决方案,但是是从网格大小而不是操作的角度来看的。
在这里插入图片描述
该表为本篇论文预设的网络框架,只要遵守原先提出的原则,网络的质量就会相对稳定。虽然我们的网络有42层,但是我们的计算成本只比GoogLeNet高2.5左右,而且它的效率仍然比VGGNet高很多。其中,图中figure 5为B图,figure 6为C图,figure 7为D图。
成果:
本文提供了几个扩展卷积网络的设计原则,并在Inception架构中研究了它们。这些原则可以创造出较高性能的网络,与更简单、更单一的架构相比,其计算成本相对较低。同时,本文还证明了在接受域分辨率低至79×79的情况下可以获得高质量的结果,这个突破可能在未来对探测相对较小的物体的系统有帮助。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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