Rethinking the Inception Architecture for Computer Vision

原文地址：blog.csdn.net/cv_family_z/article/details/50789805

Googlenet的延伸，通过对Inception module进行卷积分解展开网络，在ILSVRC 2012上,4个模型集成及多次裁切，top-1位为17.3%，top-5为3.5%。

GoogleNet的优势：从参数数量来看，GoogleNet参数为500万个，AlexNet参数个数为GoogleNet的12倍，VGGNet参数又是AlexNet的3倍。因此在内存或计算资源受限时，GoogleNet是比较好的选择。

Inception结构的更改：简单的放大结构，会导致计算增益消失。例如直接double滤波器组的数目会导致计算和参数4倍的增加。因此，作者给出了几个放大网络需要遵守的准则。

网络设计准则
1.避免表示瓶颈，即特征图大小应缓慢下降；
2.高维表示可以用网络代替；
3.可以在低维空间集成空间关系；
4.平衡网络的宽度和深度。

大尺寸滤波器卷积分解
GoogleNet的精度增益主要来自维度降低，这可以认为是卷积分解的特例。考虑到网络临近的激活高度相关，因此集成之前可以降维。Inception模块是全卷积的，每个权值对应一个乘法运算，进行卷积分解后可以减少参数数目进行快速训练，这样就可以增加滤波器组的大小提升精度。

1.大卷积分解为小卷积
5×5 的卷积可以使用两层 3×3 卷积代替，如图4为原始Inception模块，图5为替换后的模块，节约的计算时间可以用来增加滤波器数目。

2.分解为非对称卷积
3×3 的卷积使用 3×1 卷积和 1×3 卷积代替，如下图所示，这种结构在前几层效果不太好，但对特征图大小为12~20的中间层效果明显。

附加分类器
附加分类器有batch norm层效果更好，得出其扮演规格化的角色。

降低特征图大小
池化用来降低特征图大小，为避免表示瓶颈，即更有效的保存图像信息，应在池化之前增加滤波器数目，如下图所示。

作者的解决方法是同时进行步长为2的卷积和池化，然后串联，如下图所示：

Inception-v2
Inception-v2的网络结构如下图所示，将 7×7 的卷积分解为三个 3×3 的卷积，

通过标记平滑进行模型规则化
模型计算输入x属于标记k的概率：
p(k|x)=exp(zk)∑Ki=1exp(zi)
zi 是逻辑概率，样本x的实际标记分布为 q(k|x) ，定义cross entropy为：
l=−∑Kk=1log(p(k))q(k)
最小化l为最大化标记的似然概率，这样可能导致过拟合并降低模型的泛化能力和适应性。为避免模型过度自信，引入独立于训练样本的分布 u(k) 及平滑变量 ε ，将标记GT分布 q(k|x)=δk,y 使用下式替换：

标记k的分布将如下获取：首先k=y，之后根据 u(k) 的分布将k使用某样本替换，实验中 u(k)=1K 。

低分辨率图像的识别
对于低分辨率的图像，应降低前两层的步长，或将第一个池化层去除。

实验结果
实验结果与GoogleNet相比有较大提升，如下表所示：