G                         o                         i                         n                         g                                                                            d                         e                         e                         p                         e                         r                                                                            w                         i                         t                         h                                                                            c                         o                         n                         v                         o                         l                         u                         t                         i                         o                         n                         s                            Going\ _{}deeper\ _{}with\ _{}convolutions                 Going deeper with convolutions

                                C                         h                         r                         i                         s                         t                         i                         a                         n                                                                            S                         z                         e                         g                         e                         d                         y                         ，                         W                         e                         i                                                                            L                         i                         u                         ，                         e                         t                                                                            a                         l                         .                            Christian\ _{}Szegedy，Wei\ _{}Liu，et\ _{}al.                 Christian Szegedy，Wei Liu，et al.

                                更                         深                         的                         卷                         积                             更深的卷积                 更深的卷积

  摘要：我们提出了一种代号为Inception的深度卷积神经网络架构，该架构负责为ImageNet大规模视觉识别挑战赛2014（ILSVRC14）设置分类和检测的最新技术水平。该架构的主要特点是网络内部计算资源的利用率得到提高。这是通过精心设计实现的，该设计允许在保持计算预算不变的情况下增加网络的深度和宽度。为了优化质量，架构决策基于Hebbian原则和多尺度处理的直觉。在我们提交的ILSVRC14中使用的一种特定化身称为GoogLeNet，它是一个22层深的网络，其质量在分类和检测的背景下进行评估。

图2 Inception模块

图3 GoogLeNet网络

• 具有128个过滤器的1×1卷积，用于降低维度和修正线性激活。
• 具有1024个单元和修正线性激活的全连接层。
• dropout层，其输出下降率为70％。
• 具有softmax损失的线性层作为分类器（预测与主分类器相同的1000个分类，但在推断时删除）。