GoogLeNet论文学习笔记

最新推荐文章于 2025-04-18 20:10:15 发布
最新推荐文章于 2025-04-18 20:10:15 发布
阅读量5.4k 收藏 23
点赞数 2
分类专栏： cnn 文章标签： GoogLeNet
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.youkuaiyun.com/chenhoujiangsir/article/details/52400541
版权
本文是GoogLeNet论文的学习笔记，介绍了基于inception结构的22层深度网络，该网络在ILSVRC14比赛中刷新了记录。inception结构通过增加网络深度和宽度，同时减少计算量，优化了计算资源利用率。文章探讨了inception设计的动机、网络细节和训练方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

GoogLeNet论文学习笔记

Abstract

  • 提出一种叫做inception的卷积神经网络结构，基于inception构建的22层的深度网络（GoogLeNet）刷新了ILSVRC14分类和检测任务的state of art。
  • 这种结构的主要特点就是加大了网络的深度和宽度，并且不增加运算量，提高了计算资源的利用效率。
  • 为了优化效果，inception结构的设计基于海扁准则和多尺度处理问题的直觉。

Introduction

  • 过去三年由于深度学习（更确切地说是卷积网络）的优势，图像识别和物体检测取取得了引人注目的进步。这些进步不只是因为有性能更强的硬件，更大的数据集和更大的模型，而主要是一系列的新ideas，算法和改进的网络结构。
  • 我们提交到ILSVRC 2014的GoogLeNet使用了比两年前的冠军AlexNet少12倍的参数，但取得了更高的正确率。
  • 随着移动和嵌入式计算的不断发展，算法效率（特别是效果和内存占用）变得非常重要。
  • 我们的模型被设计为在预测时的计算量保持在1.5 billion次乘加运算，因此可以被运用于实际生产中，而不单纯是学术上的实验。

  • 从LeNet-5开始，CNN就已经有了一个标准的结构—堆叠卷积层（可选择性地后面接一些normalization和max-pooling层），后面接一个或多个全连接层。各种基于此的变种模型在MNIST、CIFAR和ImageNet分类竞赛任务上都取得了迄今为止最好的结果。对于像Imagene

最低0.47元/天 解锁文章
GoogleNet论文笔记/小结
常思考->有目标->重实践->善反思
08-15 2131
GoogLeNet和VGG是2014年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名。 本文主要内容如下： GoogLeNet分析了现有提升网络精度的常见办法及缺点 GoogLeNet解决上面问题的办法，Inception基本原理，以及为什么想到使用Inception。 为什么不叫“GoogleNet”，而叫“GoogLeNet” Goo...
论文笔记：主干网络——GoogLeNet-V2
liuzeyao_Newton的博客
04-24 1785
Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 批标准化：缓解内部协变量偏移加快深度神经网络训练
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。
论文精读之--GoogLeNet
weixin_43584866的博客
01-12 2401
GoogLeNet是2014年Google团队提出的，其中L为大写，目的是为了致敬LeNet。论文的多处命名来自于电影盗梦空间。GoogLeNet主要的模型是Inception（中文翻译为盗梦空间）。论文题目为《Going deeper with convolutions》，来自于该图片：GoogLNet当年取得了ILSVRC 2014年分类冠军，检测冠军以及定位亚军。开启了多尺度，1*1卷积时代，以及衍生了GooLeNet v2 v3 v4系列。
【论文阅读】Going deeper with convolutions
最新发布
qq_34222839的博客
04-18 1110
GoogLeNet的参数数量比少12倍，但精度比更高。此外，GoogLeNet并没有只关注于提高准确率，还考虑了算法效率，在预测阶段将其计算成本控制在1.5亿次加乘运算之内。本文提出了一种有效的深度神经网络结构用于计算机视觉，取名为Inception。GoogLeNet就使用了Inception模块并作为我们提交给ILSVRC2014的结果，其在分类和检测任务中的表现都优于其他先进算法。GoogLeNet这个名字也是为了致敬。
GoogleNet论文解读
热门推荐
abc_138的博客
05-22 1万+
                              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...
GoogLeNet论文解读
David Lee的博客
02-24 5106
GoogLeNet论文翻译及解读
GoogLeNet系列论文
qq_38156104的博客
07-21 3097
GoogLeNet Incepetion V1 这是GoogLeNet的最早版本，出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。 Motivation 深度学习以及神经网络快速发展，人们不再只关注更给力的硬件、更大的数据集、更大的模型，而是更在意新的idea、新的算法以及模型的改进。 一般来说，提升网络性能最直接的办法就是增加网络深度和宽度，即增加隐层和以及各层神经元
论文 | Going deeper with convolutions（GoogleNet）
m0_68399475的博客
02-08 963
我们提出了一种代号为Inception的深度卷积神经网络架构，它负责在ImageNet大规模视觉识别挑战赛2014（ILSVRC 14）中为分类和检测设定新的最新技术水平。这种架构的主要特点是提高了网络内部计算资源的利用率。这是通过精心设计实现的，该设计允许在保持计算预算不变的同时增加网络的深度和宽度。为了优化质量，建筑决策基于Hebbian原则和多尺度处理的直觉。在我们提交的ILSVRC14中使用的一个特定实例称为GoogleNet，这是一个22层的深层网络，其质量在分类和检测的背景下进行评估。
Inception v1 / GoogLeNet 论文笔记
黑暗星球
05-15 3130
Inception v1/GoogLeNet：Going Deeper with Convolutions 摘要：我们提出了一个名为Inception的深度卷积神经网络架构，它是ILSVRC 2014的冠军。Inception的最大特点是：通过精心设计，使得网络在计算量不变的前提下，深度和宽度得到了增加，从而提高了深度网络对于计算资源的利用。Inception的网络架构基于Hebbian原则和多...
GoogLeNet 论文笔记
yzy的博客
10-19 695
目录 1. 目标检测算法R-CNN分为两步： 2. Motivation:简单的增加网络宽度和深度和两个弊端： 3.思路： 4.Inception module：  5.这种结构的两大好处： 6.结构参数表 7、1*1卷积作用 8、GoogLeNet结构 9. 两个辅助分类器 10. 模型和训练、测试方法等更多细节 11. ILSVRC Detection Challenge...
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 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论文原文.pdf
12-29
GoogLeNet论文原文下载
googlenet 论文
fffupeng的博客
05-26 531
0、 inception结构 利用网络中的计算资源，增加网络的宽度和深度，但保持计算量不变。   1、 本文中，首先创新点在于算法和网络结构； 其次注意了移动端和嵌入式的场景，考虑内存和功耗，所以提出的结构并不是固定的，参数少，计算量少。 因此提出了高效的深度神经网络结构，称为inception，灵感来源于Network in Network。 在该案例中，网络的深
GoogleNet论文翻译和解析
l_1037947629的博客
05-06 1097
我们设计了一种深度卷积网络结构，命名为Inception，它用来在2014 年 ILSVRC14 大赛中设置分类和检测的新技术状态。这个结构主要特点是提高了网络内部计算机资源的利用率。这一点通过一个巧妙地设计来实现，该设计允许提高网络深度和规模的同时保持计算预算不变。为了优化质量，这个结构基于Hebbian原理和多尺度处理的直觉感知。注：Hebbian原理：一个神经科学理论，解释了在学习的过程中脑中的神经元所发生的变化，不用过多了解。
googlenet论文_GoogLeNet原理和实现
weixin_39918961的博客
11-29 280
终于把论文啃完了，这篇论文读的不太顺畅，主要还是我英语水平不够。本文是论文Going deeper with convolutions.Christian Szegedy,etc.2014的阅读笔记，某些地方参考了网上的其它资料。论文笔记1.解决了什么提高大规模图像分类和检测的精度。2.使用的方法提出了Inception神经网络架构，该架构在计算量较小的情况下增加了网络的深度和宽度。设计了基于In...
GoogleNet 论文精读&&代码逐行解析
IanYue的博客
10-04 1580
笔者从人工智能小白的角度，力求能够从原文中解析出最高效率的知识。之前看了很多博客去学习AI，但发现虽然有时候会感觉很省时间，但到了复现的时候就会傻眼，因为太多实现的细节没有提及。而且博客具有很强的主观性，因此我建议还是搭配原文来看。请下载原文《Going Deeper with Convolutions》搭配阅读本文，会更高效哦！
GoogleNet论文学习
qq_40502460的博客
03-16 290
《Going Deeper with Convolutions》GoogLeNet 作者：Christian Szegedy，Wei Liu，Yangqing Jia，et al. 单位：Google Inc. 发表会议及时间：CVPR2015 作者简介 上一篇文章介绍了VGG网络结构，VGG在2014年ImageNet 中获得了定位任务第1名和分类任务第2名的好成绩，而同年分类任务的第一名则是GoogleNet 。 论文简介 提出：Inception 卷积神经网络架构 结果：ILSVRC2014分
评论
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