- 博客(5)
- 收藏
- 关注
RSS订阅原创 深度学习—— Xception（翻译+精读+复现）
我们给出一种对卷积神经网络中 Inception 模块的解释：它可以被看作是介于常规卷积与深度可分离卷积（即“先深度卷积，再逐点卷积”）之间的一种中间形式。从这个角度看，深度可分离卷积可以被理解为具有“最大数量分支（tower）”的 Inception 模块。基于这一观察，我们提出了一种新的深度卷积神经网络架构：用深度可分离卷积替换 Inception 模块，并以 Inception 为灵感来源。我们展示了该架构（称为。
2025-12-02 15:05:07
939
原创 深度学习—— InceptionV4（翻译+精读+复现）
近年来，在图像识别性能上的重大提升中起到了核心作用。其中一个代表性架构是，它已经被证明在下也能取得很好的性能。最近，基于更加传统网络结构并引入**残差连接（residual connections）**的模型，在 2015 年 ILSVRC 挑战中达到了当前最优性能；其表现大致与最新一代的 Inception-v3 网络相当。在本文中，我们给出了清晰的实证证据：在 Inception 网络中引入残差连接，；此外，还有一些证据表明：在计算成本相近的情况下，。我们还提出了若干新的、
2025-11-29 18:13:34
588
原创 深度学习—— InceptionV2（翻译+精读+复现）
卷积网络是当前绝大多数顶尖计算机视觉任务解决方案的核心。自 2014 年起，超深度卷积网络逐渐成为主流，在各类基准测试中带来了显著的性能提升。尽管对于大多数任务而言，只要有足够的带标签训练数据，增大模型规模和提升计算成本往往能直接转化为性能增益，但计算效率和低参数数量仍是移动视觉、大数据等场景下的关键赋能因素。本文探索了网络的扩展方法，旨在通过合理的卷积分解和强效正则化策略，尽可能高效地利用新增的计算资源。
2025-11-27 17:04:32
505
原创 深度学习——InceptionV1、InceptionV2、InceptionV4、Xception（翻译+精读+复现）
我们提出了一种代号为 Inception 的深度卷积神经网络架构，该架构在 2014 年 ImageNet 大规模视觉识别挑战赛（ILSVRC14）中，刷新了图像分类与目标检测任务的当前最优性能。该架构的核心特征是实现了网络内部计算资源的高效利用 —— 通过精心设计的结构，能够在保持计算开销稳定的前提下，增加网络的深度和宽度。为了优化模型性能，所有架构设计决策均基于赫布原理（Hebbian principle）和多尺度处理的直觉。
2025-11-25 17:07:07
705
原创 深度学习——分类之ResNeXt学习笔记（翻译＋精读＋代码复现）
我们提出了一种用于图像分类的简单且高度模块化的网络架构。该网络通过重复一个 “构建块”（building block）构建而成，该构建块会聚合一组具有相同拓扑结构的变换操作。这种简洁的设计形成了一种同质化的多分支架构，仅需设置少量超参数。此策略揭示了一个新的维度 —— 我们称之为 “基数”（cardinality，即变换操作集合的规模），它与 “深度”（depth）和 “宽度”（width）维度并列，是影响网络性能的关键因素。
2025-11-23 20:31:00
867
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人