[Inception V1]改进的Inception模块和未改进的Inception模块的差别

最原始的Inception模块

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
思路是对输入的feature map进行多尺度卷积核的并行计算,然后把结果进行汇总、融合。


缺点

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
不同尺度 filter 生成的feature map摞起来以后会越来越厚,最后导致参数量爆炸!


Note:

  • 对于一个RGB图像,如 256×256×3 来说。256×256是这张图片的尺寸,我们看到的RGB图片其实是由 3 张单色的图片(单通道图片)摞在一起形成的。所以说,对于第一层卷积,我们的filter个数就代表了我们可以提取到多少张 单通道 图片,所以生成的feature map的通道数=filter的个数

改进后的Inception模块(使用了1×1卷积)

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
我们要注意 1×1 卷积的位置:

  • 卷积之前
  • 池化之后

优点(参数量前后对比)

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
使用了 1×1 卷积,参数量仅为原来的一小半

1×1卷积的作用:

  1. 升维/降维
  2. 跨通道信息交流
  3. 减少参数量(减少一半的参数量)
  4. 增加模型深度,提高模型的非线性表达能力

使用改进的Inception模块构建GoogLeNet网络

[Inception V1]改进的Inception模块和未改进的Inception模块的差别


GoogLeNet中两个辅助的分类器

[Inception V1]改进的Inception模块和未改进的Inception模块的差别


GoogLeNet和VGG-16参数的对比

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
GoogLeNet的参数量仅为VGG-16的 8.37%

GoogLeNet为2014年ImageNet图像分类冠军
VGG为2014年ImageNet图像分类亚军


Inception模型引出的其他模型

[Inception V1]改进的Inception模块和未改进的Inception模块的差别
[Inception V1]改进的Inception模块和未改进的Inception模块的差别
[Inception V1]改进的Inception模块和未改进的Inception模块的差别

上一篇:作业


下一篇:最为详细的卷积神经网络笔记--吴恩达深度学习课程笔记(二)