《2017-Xception Deep Learning with Depthwise Separable Convolutions》

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 Separable Convolution结构。
  • 将Inception V3结构中的Inception改用Depthwise Separable Convolution。

• 效果如何？

• • 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。

• 还存在什么问题？

• • Depthwise Separable Convolution不一定就是最优结构，还有尚未探索、验证的相似结构。

假设

• corss-channels correlations 和 spatial correlations是分开学习的，而不是在某一个操作中共同学习的。

优势

• Xception是Inception家族中一员。