“Currently it is using a convolutional network for prediction not dissimilar to [1] or [2].”
Going Deeper with Convolutions
提出 Inception 结构与 22 层 GoogLeNet,拿下 ILSVRC 2014
论文提出代号为 Inception 的深度卷积神经网络架构,在 ILSVRC 2014 的分类和检测任务上取得当时最佳结果。其特点是更好地利用网络内部的计算资源:在保持计算预算不变的前提下加深加宽网络,设计依据是 Hebbian 原则和多尺度处理的直觉;参赛的具体实现 GoogLeNet 是一个 22 层网络。
HN 上的人把它作为 Inception 卷积网络的出处来引用,用来对照各类图像识别 demo 的网络结构、层名,以及中间层辅助输出头这样的设计。
学习路径
读这篇之前,按顺序读书架上的 2 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出候选里与 Inception 直接相关的只有两篇:卷积网络可视化与 dropout 正则化。读完它们能看懂 GoogLeNet 的设计背景与训练手段。
- 1
ILSVRC 2013 冠军的卷积网络及其可视化分析,是 GoogLeNet 要超越的基线。
读各层学到的特征和对网络结构的调整思路。
- 2
GoogLeNet 训练时用 dropout 做正则。
读随机丢弃单元防止共适应的基本想法。
- 3Going Deeper with Convolutions
目标论文:Inception 结构与 22 层 GoogLeNet。
读Inception 模块的多尺度并行与 1x1 降维;整体网络与辅助分类器。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“some folks at Google describe how they achieved great performance training a huge CNN”
“Are the layer names the same ones referred to in this paper?”
“the Inception paper from 2014 directly refers to knowyourmeme.com”
- Going Deeper with Convolutions (GoogLeNet Paper) ↗dumitrue · 2014-09-19 · 4 分