DL之GoogleNet：GoogleNet(InceptionV1)算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

?

?

目錄

GoogleNet算法的簡介

GoogleNet算法的架構詳解

GoogleNet算法的案例應用

GoogleNet網絡結構大圖

---

?

?

?

相關文章
DL之GoogleNet：GoogleNet(InceptionV1)算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之GoogleNet：GoogleNet(InceptionV1)算法的架構詳解、損失函數、網絡訓練和學習之詳細攻略

DL之GoogleNet：GoogleNet(InceptionV1)算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之BN-Inception：BN-Inception算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略
DL之InceptionV2/V3：InceptionV2 & InceptionV3算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略DL之InceptionV4/ResNet：InceptionV4/Inception-ResNet算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻略

?

?

GoogleNet算法的簡介

? ? ? GoogleNet，來自Google公司研究員。以GoogleNet(Inception v1)為例，于2014年ILSVRC競賽圖像分類任務第一名(6.67% top-5 error)。GoogLeNet設計了22層卷積神經網絡，依然是沒有最深，只有更深，性能與VGGNet相近。
Abstract
? ? ? We propose a deep convolutional neural network architecture codenamed Inception, ?which was responsible for setting the new state of the art for classification ?and detection in the ImageNet Large-Scale Visual Recognition Challenge 2014 ?(ILSVRC14). The main hallmark of this architecture is the improved utilization ?of the computing resources inside the network. This was achieved by a carefully ?crafted design that allows for increasing the depth and width of the network while ?keeping the computational budget constant. To optimize quality, the architectural ?decisions were based on the Hebbian principle and the intuition of multi-scale ?processing. One particular incarnation used in our submission for ILSVRC14 is ?called GoogLeNet, a 22 layers deep network, the quality of which is assessed in ?the context of classification and detection.
摘要
? ? ? 我們提出了一種深卷積神經網絡結構，代號為“Inception”，負責在ImageNet大規模視覺識別挑戰2014 (ILSVRC14)中設置分類和檢測的最新技術。這種體系結構的主要特點是提高了網絡內計算資源的利用率。這是通過精心設計的設計實現的，該設計允許在保持計算預算不變的同時增加網絡的深度和寬度。為了優化質量，架構決策基于Hebbian原理和多尺度處理的直覺。在我們提交的ILSVRC14中使用的一種特殊形式是GoogLeNet，它是一個22層的深層網絡，其質量是在分類和檢測的背景下評估的。
Conclusions ?
? ? ? Our results seem to yield a solid evidence that approximating the expected optimal sparse structure ?by readily available dense building blocks is a viable method for improving neural networks for ?computer vision. The main advantage of this method is a significant quality gain at a modest increase ?of computational requirements compared to shallower and less wide networks. Also note that ?our detection work was competitive despite of neither utilizing context nor performing bounding box regression and this fact provides further evidence of the strength of the Inception architecture. Although it is expected that similar quality of result can be achieved by much more expensive networks of similar depth and width, our approach yields solid evidence that moving to sparser architectures is feasible and useful idea in general. This suggest promising future work towards creating sparser and more refined structures in automated ways on the basis of [2].
結論
? ? ? 我們的結果似乎提供了一個堅實的證據，逼近預期的最優稀疏結構，由現成的密集building blocks是一個可行的方法，以改善神經網絡的計算機視覺。這種方法的主要優點是，與較淺且較寬的網絡相比，在計算量適度增加的情況下，可以顯著提高質量。還要注意，我們的檢測工作是競爭性的，盡管既沒有使用上下文，也沒有執行邊界框回歸，這一事實為Inception架構的強度提供了進一步的證據。雖然期望通過更昂貴的深度和寬度相似的網絡可以獲得類似質量的結果，但我們的方法提供了堅實的證據，表明轉向更稀疏的體系結構通常是可行和有用的。這表明未來有希望在[2]的基礎上以自動化的方式創建更稀疏和更精細的結構。

?

1、實驗結果

?

?

論文
Christian Szegedy et al（2015）: Going Deeper With Convolutions. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Christian Szegedy, Wei Liu, YangqingJia, Pierre Sermanet, Scott Reed, et al.
Going Deeper with Convolutions. CVPR, 2015
https://arxiv.org/abs/1409.4842

?

?

GoogleNet算法的架構詳解

DL之GoogleNet：GoogleNet算法的架構詳解、損失函數、網絡訓練和學習之詳細攻略

1、網絡架構

• 網絡配置：深度增加到22層。網絡改進的地方包括9個Inception模塊的堆疊、采用輔助分類器、無全連接層而采用平均池化層。
• 網絡規模：總的參數僅為AlexNet的1/12。

2、Inception模塊：
多尺度多層次濾波，包括使用1*1的卷積來進行降維+在多個尺寸上同時進行卷積再聚合。

3、實驗結果：top-5錯誤率為6.67%。

?

GoogleNet算法的案例應用

后期更新……

?

?

?

GoogleNet網絡結構大圖

?

?

?

總結

以上是生活随笔為你收集整理的DL之GoogleNet：GoogleNet(InceptionV1)算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。