论文标题

Going Deeper with Convolutions

 论文下载

Going Deeper with Convolutions论文下载

论文作者

Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich

内容简介

这篇论文提出了一种深度卷积神经网络架构，代号为Inception（也称为GoogLeNet），在2014年ImageNet大规模视觉识别挑战（ILSVRC14）中达到了分类和检测任务的新最佳水平。该架构的主要特点是在保持计算预算不变的情况下，通过精心设计增加了网络的深度和宽度，从而提高了计算资源的利用率。设计决策基于Hebbian原则和多尺度处理的直觉，通过实验验证了该架构在ILSVRC2014分类和检测挑战中的性能。

方法分点说明

1.Inception架构：

• 深度和宽度的增加：通过精心设计的Inception模块，网络能够在不增加计算负担的情况下增加深度和宽度。
• 多尺度处理：Inception模块能够同时处理不同尺度的特征，这有助于网络捕捉到更丰富的视觉信息。
• 计算效率：通过在Inception模块中使用1x1卷积进行降维，减少了计算量，使得网络可以在有限的计算资源下更深更宽。

2.Hebbian原则：

神经元连接：基于Hebbian原则，即“一起放电的神经元会连接在一起”，论文提出了一种新的网络结构，通过分析前一层激活的相关性统计来构建下一层。

3.多尺度处理：

不同尺寸的卷积核：Inception模块结合了1x1、3x3和5x5的卷积核，以及最大池化层，以处理不同尺度的特征。

4.GoogLeNet：

• 网络结构：GoogLeNet是一个22层深的网络，它在ILSVRC14中用于分类和检测任务。
• 辅助分类器：为了解决梯度消失问题，网络中加入了辅助分类器，这些分类器连接到中间层，并在训练时对总损失有所贡献。

5.训练方法：

• 异步随机梯度下降：使用异步随机梯度下降进行训练，具有0.9的动量。
• 图像采样方法：采用了多种图像采样方法，包括不同大小和比例的图像补丁。

6.ILSVRC2014挑战结果：

• 分类任务：在ILSVRC2014分类任务中，GoogLeNet达到了6.67%的top-5错误率，相比2012年的SuperVision方法有56.5%的相对降低。
• 检测任务：在检测任务中，GoogLeNet达到了43.9%的平均精度（mAP），相比2013年的结果几乎翻倍。

7.结论：

• 稀疏结构的近似：通过使用现有的密集构建块来近似预期的最优稀疏结构，是一种提高计算机视觉神经网络性能的有效方法。
• 未来工作：论文建议未来的工作可以朝着创建更稀疏、更精细的结构方向发展，并探索将Inception架构的见解应用于其他领域。

  深度学习必读论文合集：

深度学习论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！