轻量化网络（四）Xception: Deep Learning with Depthwise Separable Convolutions

本文主要是介绍轻量化网络（四）Xception: Deep Learning with Depthwise Separable Convolutions，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文链接
Pytorch实现
Tensorflow实现
Xception是2017年由Keras作者和谷歌著名人工智能专家Francois Chollet提出，是在 Inception modules 进行改进。Xception和Inception V3相比，网络参数并没有增加，只是更加合理得使用了参数导致了性能的提升。

一、The Inception hypothesis
在Figure 1中，Inception modules 先是使用$1\times 1$卷积核来融合通道信息并降维，之后使用常规的$3\times 3$或$5\times 5$来进行卷积。Figure 2是Inception modules简化版本，不再包含池化层。Figure 3只使用了一个$1\times 1$卷积核后使用三个$3\times 3$组卷积。持续增加卷积核来分割输入特征通道是否有效，cross-channel correlations and spatial correlations 完全分离是否更好，基于假设作者提出了Figure 4中的模块，一个“极端”版本的Inception，称为Xception，有点类似于depthwise separable convolution。但是和深度可分离卷积有两个不同之处：1.深度可分离卷积首先使用深度卷积对特征的每一个通道提取信息，之后使用$1\times 1$卷积核来融合通道之间的信息，但是Xception首先使用$1\times 1$卷积核。2.Xception中每层卷积层后都会加激活函数，但是深度可分离卷积后基本不加非线性转换函数。

二、网络结构

Xception网络结构分为三个周期。
更多实验参数配置和实验结果参考论文。

这篇关于轻量化网络（四）Xception: Deep Learning with Depthwise Separable Convolutions的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---