Xception论文笔记

深度卷动神经网络（Xception）：基于深度分离卷动的深度学习

摘要

Inception处于正常卷积与深度可分离卷积之间这一认知框架下，在深度可分离卷积中包含最多塔的数量（每个塔代表Inception模块内的路径），从而形成了一个更为高效的网络结构。在此框架下，在深度可分离卷 convolution中包含最多塔的数量（每个塔代表Inception模块内的路径），从而形成了一个更为高效的网络结构。因此،作者提出了Xcepti on 网络（灵感源自于Incepti on系列）。在ImageNet数据集上测试时,在准确率上Xcepti on 略胜一筹;但当测试规模扩大到ImageNet++时,在准确率上的优势更加明显.由于Xcepti on 网络与Incepti on v3系列模型在参数数量上保持一致,在性能提升方面并非因为模型容量增加所致;相反地是得益于更高效地利用现有参数.

深度可分离卷积对应于一个深度方向上的可分离卷积操作后再执行逐点方向上的可分离卷积操作。

1. 简介

在Inception模块家族中存在多种不同的版本，在深度学习框架领域尤其受到广泛关注。具体展示了Inception v3中的标准模块结构，在迁移学习过程中发挥着关键作用。其核心特征在于通过将多个不同