13、高级卷积神经网络模型深度解析

高级卷积神经网络模型深度解析

1. Inception网络概述

Inception网络于2014年推出，当年便赢得了ImageNet挑战赛。此后，作者发布了该架构的多个改进版本。其名称部分源于网络热梗 “We need to go deeper”，与电影《盗梦空间》相关。

Inception网络的设计理念基于图像中物体具有不同尺度这一前提。标准卷积神经网络（CNN）各层单元的感受野大小固定，难以有效检测不同尺度的物体。为解决此问题，Inception网络采用了由Inception块组成的架构。Inception块将输入数据拆分为不同的并行路径，每个路径包含不同大小滤波器的卷积层或池化层，以对同一输入数据应用不同的感受野，最后将各路径的输出拼接起来。

1.1 Inception v1

Inception v1是GoogLeNet网络架构的一部分，其Inception块有四条路径：
- 1×1卷积，作为输入的一种中继器。
- 1×1卷积后接3×3卷积。
- 1×1卷积后接5×5卷积。
- 步长为1的3×3最大池化。

该块中的层使用填充，使输入和输出具有相同的形状（但深度不同）。同时，为避免输出深度的指数级增长，块中使用1×1卷积来减少各路径的深度，从而降低块的输出深度，这使得构建更深的网络成为可能。

GoogLeNet具有以下特性：
- 与ResNets类似，它从下采样阶段开始，利用两个卷积层和两个最大池化层将输入大小从224×224减小到56×56，然后再进入Inception块。
- 网络包含九个Inception v1块。
- 卷积阶段以全局平均