标签:卷积 VGG GoogLeNet 改进 模块 Inception 256
最原始的Inception模块
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
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)
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)
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:
- 升维/降维
- 跨通道信息交流
- 减少参数量(减少一半的参数量)
- 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
GoogLeNet中两个辅助的分类器
GoogLeNet和VGG-16参数的对比
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
标签:卷积,VGG,GoogLeNet,改进,模块,Inception,256 来源: https://blog.csdn.net/weixin_44878336/article/details/120622498
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。