Class27GoogLeNet
Class27GoogLeNet
GoogLeNet
GoogLeNet是 Google在2014年ILSVRC（ImageNet Large Scale Visual Recognition Challenge）比赛中提出的一种深度卷积神经网络，它在保持较低计算复杂度的同时取得了极好的性能。GoogLeNet 是深度学习网络结构设计的重要里程碑，标志着从“更深更宽”向“更有效率地堆叠模块”的方向转变。
GoogLeNet 的创新点
GoogLeNet 的核心是 Inception Module，它通过并行的不同尺寸卷积和池化操作提取特征，捕捉不同感受野的信息，最后将它们在通道维度上拼接。
Inception 模块中一般包括：
1×1 卷积（降维+非线性映射）
3×3 卷积（中等感受野）
5×5 卷积（大感受野）
3×3 max pooling 后再用 1×1 卷积（降低信息损失）
使用 1×1 卷积的好处
降低通道数（减少计算量）
增加网络深度、非线性表达能力
GoogLeNet 网络结构
| 模块位置 | 说明 |
|---|---|
| Input | 224×224×3 图像输入 |
| Conv1 | 7×7 卷积，stride=2，输出 112×112×64 |
| MaxPool1 | 3×3 池化，stride=2，输出 56×56×64 |
| Conv2 | 1×1 + 3×3 卷积 |
| MaxPool2 | 3×3 池化 |
| Inception(3a,3b) | 两个 Inception 模块，输出 28×28×256 |
| MaxPool | |
| Inception(4a~4e) | 中间包含两个辅助分类器，在 4a 和 4d 后 |
| MaxPool | |
| Inception(5a,5b) | 输出 7×7×1024 |
| Global Avg Pool | 7×7 平均池化为 1×1×1024 |
| Dropout | rate=0.4 |
| FC + Softmax | 输出 1000 类 |
GoogLeNet 的优点
高精度、 低参数量、 高效设计、多尺度信息提取。
后续改进版本
| 名称 | 改进点说明 |
|---|---|
| Inception v2 | BatchNorm、Factorized Conv、辅助正则 |
| Inception v3 | 更深更宽、分解大卷积 |
| Inception v4 | 和残差连接结合（Inception-ResNet） |