Xception: Deep Learning with Depthwise Separable Convolutions论文笔记

本文详细介绍了从传统卷积到深度可分离卷积的演变,重点解析了Xception网络架构,该架构利用深度可分离卷积降低计算复杂度,适用于嵌入式设备。尽管其性能略逊于传统卷积,但因其高效性在计算资源有限的场景下颇具优势。Xception网络由多个模块组成,大部分包含跨层连接,实验结果显示其在参数量与InceptionV3相当的情况下,效果更优。
摘要由CSDN通过智能技术生成

摘要:

这篇论文主要讲了如何从传统的卷积演化到深度可分离卷积,并提出了Xception架构。

一、从传统卷积到深度可分离卷积:

传统的卷积一系列卷积串行堆叠在一起,用来提取特征,这样做的好处是能让特征图不同的通道上空间关系建立联系,因为每个输出的通道都是由输入特征图上所有通道上空间信息的融合,典型的网络架构比如VGG,如下:

后来,Inception想让特征图中的通道部分解耦,即将互相独立的信息分别放入不同的特征图,这样可以降低过拟合,于是当特征图输入的时候,就使用了不同的卷积核来提取特征,输出几个相互独立的特征图,这样每个特征图提取到的特征都是不同的,且是解耦的,如下图:

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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