Xception算法详解

最新推荐文章于 2025-03-18 14:25:58 发布

AI之路

最新推荐文章于 2025-03-18 14:25:58 发布

阅读量7.6w

点赞数 52

分类专栏：计算机视觉深度学习文章标签：深度学习算法

本文链接：https://blog.csdn.net/u014380165/article/details/75142710

版权

Xception是Google为改进Inception v3而提出的深度学习模型，它使用depthwise separable convolution来减少计算复杂度并提升性能。深度wise卷积通过单独处理每个通道的特征，接着使用pointwise卷积结合这些信息。与Inception结构相比，Xception通过residual connections简化了网络，并在不显著增加复杂度的情况下实现了更好的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文：Xception: Deep Learning with Depthwise Separable Convolutions
论文链接：https://arxiv.org/abs/1610.02357

算法详解：
Xception是google继Inception后提出的对Inception v3的另一种改进，主要是采用depthwise separable convolution来替换原来Inception v3中的卷积操作。

要介绍Xception的话，需要先从Inception讲起，Inception v3的结构图如下Figure1。当时提出Inception的初衷可以认为是：特征的提取和传递可以通过1*1卷积，3*3卷积，5*5卷积，pooling等，到底哪种才是最好的提取特征方式呢？Inception结构将这个疑问留给网络自己训练，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。Inception v3和Inception v1（googleNet）对比主要是将5*5卷积换成两个3*3卷积层的叠加。

这里写图片描述