GoogLeNet Inception v3通过设计准则优化了卷积神经网络，避免特征瓶颈，使用Filter分解、辅助分类器、高效特征映射降低方法和标签平滑正则化提升性能。非对称Filter分解和同时卷积池化操作降低了计算开销，而LSN增强了模型泛化能力。
GoogLeNet Inception v3 & Label Smoothing
论文《Rethinking the Inception Architecture for Computer Vision》
1 设计背景
文中针对如何构建Inception风格的卷积神经网络提出了一些设计准则，并根据这些准则，设计实现了基于Inception v3模块的GoogLeNet模型。
2 通用设计准则
- 避免模型出现特征瓶颈；
Avoid representational bottlenecks, especially early in the network.
模型在卷积过程中，应该避免对输入进行极端的压缩，输入的大小在整个卷积过程中应该平缓的减小。
- 高维的特征更容易处理；
Higher dimensional representations are easier to pro- cess locally within a network.
特征数目越多（可能有部分特征是非独立的），训练的速度越快。
- 降低通道维度的embedding操作损失较小；
Spatial aggregation can be done over lower dimen- sional embeddings without much or any loss in
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
