GooLeNet原理

一、GooLeNet网络结构

1*1卷积的作用：

实现跨通道的交互和信息整合、卷积核通道数的降维和升维，减少网络参数

全局平均池化层(GAP)

优点：抑制过拟合、GAP使特征图输入尺寸更加灵活

缺点：信息丢失、特征丰富性、梯度信息、复杂任务

二、GooLeNet网络参数

三、GooLeNet总结

通过创新性的Inception模块和较为复杂的网络设计，使得作者团队上力压VGGNet夺冠。而GoogLeNet作为Inception模块设计的代表，有很多值得学习的地方。通过并行的filter将输入特征提取并在通道维上进行串联合并，构成下一层的输入，再将Inception块层层叠加。通过这种方式引入了稀疏型、模拟了卷积视觉网络的最佳拓扑结构。同时也让网络具备了自动选择的能力而不是人为地设置卷积或池化，或决定卷积核的尺寸。为了降低整体参数量，在Inception块中添加了1x1卷积，有效降低了特征的维度，避免了参数爆炸。