本文探讨了Inception系列模型的发展历程，从最初的卷积层数量增加到卷积核形式的修改，再到Inception-V1引入的多尺度卷积和表征性瓶颈等创新，以及后续版本中对网络深度和宽度的优化。介绍了因式分解、残差连接等关键技术。
最开始卷积的层数不断增加，后来开始修改卷积核的形式。
一
二Inception-V1
同一层级进行多尺度卷积，扩展了宽度，同时加强对小目标的检测能力。
A、引入1*1的卷积是为了降维，降低通道维度。
B、在中间层加入辅助损失，辅助损失只用于训练。
C、表征性瓶颈：当卷积不会大幅度改变输入维度时，神经网络可能执行的更好。因子分解方法。。
三、Inception-V2
https://arxiv.org/pdf/1512.00567v3.pdf
A、因式分解降低了参数数量、增加了网络深度。
B、由串联改为并联：若网络过深且维度减少会导致信息丢失。改为并联增加网络宽度。
四、inception V3
五、inception v4
https://arxiv.org/pdf/1602.07261.pdf
残差连接residual connection
参考 http://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
