【深度学习】ResNeXt网络解读

1. 网络结构

ResNeXt与resnet基本一致，唯一改动的地方在于resnet三层卷积的layer。它将layer从原来的多个filter卷积核拆分为多个个数少的filter卷积核，这些个数少的filter卷积核结构相同，目的是为了简化网络设计。在原文中，拆分后的结构相同的block数量称为cardinality（基数）。ResNeXt的核心网络结构 如下图所示。

2. 优缺点分析

优点：在不增加参数量情况下，提高了准确率。

缺点：待补充

3. 实验结果

4. 结论

    核心创新点就在于提出了 aggregrated transformations，用一种平行堆叠相同拓扑结构的blocks代替原来 ResNet 的三层卷积的block，在不明显增加参数量级的情况下提升了模型的准确率，同时由于拓扑结构相同，超参数也减少了，便于模型移植。