Inception v1
论文:Going deeper with convolutions
链接:https://arxiv.org/pdf/1409.4842v1.pdf
主要思想:
- 采用不同尺寸卷积,具有不同大小的感受野,提取不同尺度特征;
- concatnate操作实现特征的融合;
- 多处使用1×1卷积,以实现降维和增加非线性。
Inception v2
论文:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
链接:https://arxiv.org/pdf/1502.03167.pdf
主要思想:在v1的基础上增加Batch Normalization,将5×5卷积替换为两个连续的3×3卷积
Inception v3
论文:Rethinking the Inception Architecture for Computer Vision
链接:https://arxiv.org/pdf/1512.00567.pdf
主要思想:将卷积核分解成更小的卷积,如将7×7分解成1×7和7×1两个卷积核,使网络参数减少,深度加深
Inception v4
论文:Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
链接:https://arxiv.org/pdf/1602.07261v1.pdf
主要思想:引入了ResNet,使训练加速,性能提升
Xception
论文:Xception: Deep Learning with Depthwise Separable Convolutions
链接:https://arxiv.org/pdf/1610.02357.pdf
主要思想:卷积的时候要将通道的卷积与空间的卷积进行分离,先做1×1卷积再做3×3卷积,即先将通道合并,再进行空间卷积。(depthwise正好相反,先进行空间3×3卷积,再进行通道1×1卷积)
对深度可分离卷积(Depthwise Separable Convolutions)的理解