GoogLeNet Inception V1：Going deeper with convolutions论文笔记

最新推荐文章于 2024-07-08 22:29:11 发布
最新推荐文章于 2024-07-08 22:29:11 发布
阅读量4.5k 收藏 12
点赞数 3
分类专栏： deeplearning 论文 论文笔记 文章标签： deep-learning 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wspba/article/details/61921619
版权
GoogLeNet Inception V1通过引入不同尺寸的滤波器和1×1卷积降低复杂度，实现深度网络的优化。在ILSVRC2014上表现出色，其模块化设计包含1×1、3×3和5×5卷积，以及最大池化层，通过1×1卷积进行通道降维，有效减少了参数量。辅助分类器增加了模型的判别性，整体参数量仅为AlexNet的十二分之一。
摘要由CSDN通过智能技术生成

论文地址：Going deeper with convolutions

前言

在ILSVRC2014上最耀眼的除了VGG，那就非GoogLeNet莫属了，它与VGG类似的地方就是，关注于模型的深度，使模型倾向于deeper，与VGG不同的是，它的尝试更加新颖。从2014年至今，GoogLeNet经历了Inception v1到v4，以及Inception-ResNet的发展，也证明了Inception最初思想的潜力。今天我们就来看看GoogLeNet Inception V1的框架和效果。

思想

GoogLeNet的思想动机也是增加模型的规模：深度，和宽度。同样的是，更大的模型意味着更多的参数，计算资源的消耗增加，模型也更容易过拟合，因此并不能盲目的增加模型的规模。

改进

深度，必须增加。那么为了较少模型复杂度，就只能在模型的宽度上做文章。VGG的做法是将每一层的滤波器尺寸都换成 3×3 来减少模型的宽度，也证明具有很好的效果。Inception的做法就是将卷积层的完全连接变成稀疏连接，而且受到生物神经学的启发，利用多个大小不一致的滤波器，在多个尺度上来提取特征，然后再连接到一个共同的输出，这样一方面在不增加参数量的前提下增加了网络的宽度，另一方面也增加了网络对多个尺度的适应性。通过对Inception进行堆叠，构成了一个含有22个权重层的GoogLeNet。

框架结构

对于每一个Inception模块，包含有 1×1

最低0.47元/天 解锁文章
小时候贼聪明
关注
  • 3
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
深度学习小白笔记：GoogLeNet篇（V1：Going Deeper with Convolutions）
qq_42883766的博客
12-07 314
在2014年ImageNet大规模视觉识别挑战(ILSVRC14)中，GoogLeNet获得了第一名。作者提出了一个代号为Inception的深度卷积神经网络架构，负责设定分类和检测的新技术状态。GoogLeNet的命名也是为了向早期的LeNet致敬。 在学习了VGG和Alexnet之后接触GoogLeNet之后，很自然的会从网络结构方面先入手，对他们进行比较（毕竟VGG和GoogLeNet是当年...
谷歌的inception_v3模型.zip
11-30
经过，终于将它下载下来，现在将它分享出来。基于谷歌inception v3训练好的模型。包含： inflating: imagenet_comp_graph_label_strings.txt inflating: LICENSE inflating: tensorflow_inception_graph.pb
论文阅读 Going Deeper with Convolutions - GoogLeNet/Inceptionv1
highoooo的博客
12-02 793
文章目录1 本文意图解决什么问题1.1 以前增加depth和width带来的问题2 如何解决增加depth和width带来的问题2.1 提出 Inception 结构，人为构建稀疏连接，引入多尺度感受野和多尺度融合2.2 使用 1X1 卷积2.3 辅助分类器 auxiliary classifiers 1 本文意图解决什么问题 By a carefully crafted design, we increased the depth and width of the network while keepin
19_谷歌GoogLeNet(InceptionV1)深度学习图像分类算法
最新发布
https://github.com/foxpup11?tab=repositories
07-08 868
https://www.bilibili.com/video/BV17g411L7Se/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
Going deeper with Convolutions-GoogLeNet Inception v1详细解读
appleclub666的博客
10-02 2034
作者： 18届 CYL 日期： 2020-7-25 标签： Inception GoogleNet 网络结构 论文期刊：2014年CVPR 一、写在前面的话：若有差错，欢迎指正 闲话区： 1、2014年GoogLeNet获得ImageNet挑战赛分类项目的第一名。（同年另一个大牛VGG网络获得第二，但是由于参数过多，计算量太大导致VGG的光环相对来说要暗淡一些，由于后续优化较少，应用有限，后续我不再讲解，其中的VGG的一个重要改进会应用在inception v2） 2、神经网络深度与正确率呈正相关（注意：正
【深度学习】论文导读：GoogLeNet模型，Inception结构网络简化（Going deeper with convolutions）
热门推荐
xf__mao的博客
11-26 1万+
论文下载 Going deeper with convolutions google在ILSVRC14比赛中获得冠军的一个模型。GoogLeNet, 一个22层的深度网络。 GoogLeNet模型的参数量只是两年前该项赛事的冠军Krizhevsky参数量的1/12，大大降低了网络的复杂度，甚至还达到了比Krizhevsky更高的精度。 此篇论文讨论的就是如何有效的控制computa
GoogleNet Inception-v1论文总结
zz937211040的博客
09-18 409
论文：Going deeper with convolutions 一．主要内容 文章主要构建了一种名为Inception的结构，是Inception四篇中的第一篇，使用Inception所构建的一个典型的22层的深层网络结构GoogLeNet获得了2014年ILSVRC的冠军，是当时最好的图像分类和检测方法。 二．Motivation 改善深层神经网络性能最简单的方法就是增加它的深度和宽度，但是...
论文精度与分析：Inception V1: Going Deeper with Convolutions
dugudaibo的博客
02-28 2250
1. 按论文章节回顾具体内容 Abstract   我们提出了一种名为 Inception 的深度卷积网络结构，它在 ILSVRC14 的分类和检测任务上达到了 SOTA 的效果。这个网络的特征是他提升了网络内部计算资源的利用率。通过精细的设计，我们在提升了网络的宽度和深度的同时保持了计算量不变。为了提升网络输出的质量，网络结构的决策是基于 Hebbian 原则和多尺度处理的直观性。在我们提交的 ...
GoogLeNet Inception v1 结构 及 pytorch、tensorflow、keras、paddle实现ImageNet识别
01-20
GoogLeNet是谷歌在imageNet上的ILSVRC 2014大赛冠军方案，论文“Going deeper with convolutions”网络主要部分有Inception模块组成，v1版本的核心思想是通过多个并行的稀疏结构代替密集结构，从而在扩大特征范围的...
goolenet论文（4篇）
12-04
[v1] Going Deeper with Convolutions, 6.67% test error, http://arxiv.org/abs/1409.4842 [v2] Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, 4.8% test error, http://arxiv.org/abs/1502.03167 [v3] Rethinking the Inception Architecture for Computer Vision, 3.5% test error, http://arxiv.org/abs/1512.00567 [v4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 3.08% test error, http://arxiv.org/abs/1602.07261
GoogleNet V4-Inception
04-25
CNN GoogleNet 2015 (v4) Inception-v4 Inception-ResNet and the Impact of Residual Connections on Learning.pdf
googLeNet 深度学习四篇论文
09-09
googLeNet 深度学习四篇论文 ： Inception-v1 Inception-v2 Inception-v3 Inception-v4
GoogleNet经典论文4篇
11-26
欢迎想入门CNN和深度学习的朋友们阅读论文。 GoogleNet始于LeNet-5，一个有着标准的堆叠式卷积层冰带有一个或多个全连接层的结构的卷积神经网络。通常使用dropout来针对过拟合问题。  为了提出一个更深的网络，GoogLeNet做到了22层，利用inception结构，这个结构很好地利用了网络中的计算资源，并且在不增加计算负载的情况下，增加网络的宽度和深度。同时，为了优化网络质量，采用了Hebbian原理和多尺度处理。GoogLeNet在分类和检测上都取得了不错的效果。  最近深度学习的发展，大多来源于新的想法，算法以及网络结构的改善，而不是依赖于硬件，新的数据集，更深的网络，并且深度学习的研究不应该完全专注于精确度的问题上，而更应该关注与网络结构的改善方面的工作。
谷歌inception网络
weixin_40446764的博客
05-05 363
1、inception的作用是决定卷积核的大小。代替人工来确定卷积层中的过滤器类型以及确定是不是需要卷积层和池化层。   上述是inception的核心内容。inception网络不需要人为决定使用哪个过滤器，或者是不是需要池化，而是由网络自行确定这些参数。 上述是一个inception模块，就是将所有的输出堆积起来。 最大池化层修改宽、高的维度。inception还有一些...
GoogLeNet论文阅读，代码实现(Inception系列)
cabigge_bear的博客
01-10 556
googlenet网络介绍，pytorch代码实现，欢迎大家指正讨论
GoogleNet论文解读
abc_138的博客
05-22 9952
                              Going Deeper with Convolutions摘要       我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广...
论文阅读：（GoogleNet）Going Deeper with Convolutions
qq_36627158的博客
01-28 601
目录 写在前面 简介 相关工作 动机 & High Level Consideration 稀疏连接 Hebbian Principe 稀疏矩阵的分解 filter bank的维度处理 结构细节 实现代码（PyTorch） GoogleNet 实现代码（PyTorch） 训练技巧 ILSVRC 2014 分类任务的结果 测试技巧 Things To Learn 论文名称：《Going Deeper with Convolutions》 论文链接...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值