CNN经典算法GoogleNet介绍（论文详细解读）

最新推荐文章于 2025-04-27 12:01:51 发布

置顶

带着小板凳学习

最新推荐文章于 2025-04-27 12:01:51 发布

阅读量3.4k

点赞数 3

本文链接：https://blog.csdn.net/u013963380/article/details/95859830

版权

GoogLeNet是一种基于Inception模块的深度学习网络，以其高效和低参数量赢得2014年ILSVRC冠军。Inception结构通过不同大小的卷积核捕捉信息，解决了物体识别的挑战。该文详细解读GoogLeNet的网络设计，包括Inception的维度约减和网络结构，以及其在减少过拟合和提高计算效率方面的贡献。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是深度学习经典算法解读的一部分，原文发之：https://www.datalearner.com/blog/1051558603213207

来源论文：Szegedy, Christian, et al. “Going deeper with convolutions.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2015.

GoogLeNet是谷歌在2014年提出的一种CNN深度学习方法，它赢得了2014年ILSVRC的冠军，其错误率要低于当时的VGGNet。它于2015年发表在CVPR上。GoogLeNet也称为Inception v1。因为后面它还提出了很多的改进版本，包括v2、v3、v4等。

与之前的深度学习网络思路不同，之前的CNN网络的主要目标还是加深网络的深度，而GoogLeNet则提出了一种新的结构，称之为inception。本文将详细讲述这种结构，以及基于此结构提出的GoogLeNet。

一般来说，同一个物体在不同图像中的位置差别很大，大小也不同。识别这种物体是很困难的。为了识别这种物体，需要准确的卷积操作。大的卷积核通常倾向于全局信息，而小的卷积核则主要捕获局部信息。为了解决这个问题，GoogLeNet的思路是在同一层使用多个不同大小的卷积核来捕捉信息，这种结构就是inception。下面我们根据论文思路来说明。

除此之外，GoogLeNet的主要目标是为了增加网络的宽度，并降低参数的数量。从结果来看，GoogLeNet利用inception结构组成了一个22层的巨大的网络，但是其参数却比之前的如AlexNet网络低很多。是一种非常优秀的CNN结构。

一、研究背景

过去几年深度学习的发展，图像识别和物体检测领域有了很大的进步。这些进步不仅仅是因为硬件算力的进步、更多的数据集和更深的网络，也有一部分新的思想的出现。在这篇论文中，坐着提出了GoogLeNet，它用到了更少的参数（比两年前的AlexNet少12倍），但是准确率更高。

对象检测（object-detection）这几年最大的进步并不是使用了深度学习，或者是利用了更大的模型。而是深度架构和传统计算机视觉方法的协同作用