13、高级卷积神经网络模型深度剖析

高级卷积神经网络模型深度剖析

1. Inception网络概述

Inception网络于2014年推出，当年便赢得了ImageNet挑战赛。其名称部分源自“我们需要深入挖掘”这一网络梗，与电影《盗梦空间》相关。该网络的设计理念源于图像中物体具有不同尺度这一基本前提。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。而Inception网络通过引入Inception块解决了这一问题。Inception块以共同输入开始，将其拆分为不同的并行路径（或塔），每个路径包含不同大小滤波器的卷积层或池化层，最后将各路径的输出拼接。

2. Inception各版本详解

• Inception v1
  • Inception v1块结构 ：具有四条路径，分别为1×1卷积（作为输入的中继器）、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。块中的层使用填充确保输入和输出形状相同（深度不同）。
  • GoogLeNet特性 ：
    • 与ResNets类似，先进行下采样阶段，利用两个卷积层和两个最大池化层将输入大小从224×224降至56×56。
    • 网络包含九个Inception v1块。
    • 卷积阶段以全局平均池化结束。
    • 利用辅助分类器，在不同中间层有两个额外的分类输出，训练时损失的总值是辅助损失和实际损失的加权和。