文章目录
- 1 论文信息
- 2 概述
- 3 Inception演进
- 3.1 Inception_v1
- 3.2 Inception_v2&v3
- 3.3 Inception_v4
- 4 实验结果
1 论文信息
| 题目 | 代码 | |
|---|---|---|
| Inceptionv1 | Going Deeper with Convolutions | TF复现 PyTorch复现 |
| Inceptionv4 | Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning | TF复现 PyTorch复现 |
2 概述
GoogLeNet是ILSVRC2014图像分类任务的冠军，其主要贡献是引入了Inception模块，使用了更少的参数获得了更高的性能。此后，针对Inception进行了一些改进，尤其是第四版加入了ResNet的残差连接，性能得到了极大地提升。
3 Inception演进
3.1 Inception_v1
如下图所示，Inception_v1使用了1x1卷积进行降维，同时在多个尺寸上同时进行卷积再聚合。
3.2 Inception_v2&v3
如下图所示，Inception_v2&v3提出用两个连续的3x3卷积核代替一个5x5的卷积核，在保持感受野大小相同的情况下参数量更小。
3.3 Inception_v4
下图是Inception-ResNet-v1，引入了残差连接。
下图是Inception-ResNet-v2，与v1结构一样，区别在于通道数。
4 实验结果
| Inception_v1 | Inception_v2&v3 | Inception_v4 | Inception-ResNet | |
|---|---|---|---|---|
| top-5(%) | 6.7 | 5.6 | 3.8 | 3.7 |
