Inception-v4, Inception-ResNet and Residual Connections on Learning

论文相关链接如下：https://arxiv.org/pdf/1602.07261.pdf
https://arxiv.org/pdf/1602.07261v1.pdf

摘要

近年来，图像识别领域中，超深度卷积网络逐渐发展为关键算法。在这些结构中，Inception架构在图像分类任务中展现出优异性能，同时具备较低的计算成本。近期，残差结构与传统架构融合，在ILSVRC竞赛中取得了与Inception-v3相当的最先进成果。那么，是否将残差连接与Inception结构相结合能够进一步提升性能？为此，我们通过大量实验数据证明，引入残差连接显著加快了Inception网络的训练过程。本研究提出了几种新型主流网络架构（包括残差与非残差形式的Inception网络）。此外，我们进一步说明，在确保宽Residual Inception网络稳定训练的前提下，如何合理地增强各层的激活值。最终实验表明，在Residual结构基础上结合1个Inception-v4模块，top-5误差率降至3.08%。

1、Introduction

2012年ImageNet竞赛的冠军得主Krizhevsky所提出的“AlexNet”网络，成功地被应用到多个视觉任务中，例如目标检测、图像分割、人体姿态估计、视频分类、目标跟踪以及超分辨率等领域。在本研究中，我们探讨了如何融合近期出现的两种卷积