Xception：Deep Learning with Depthwise Separable Convolutions

发表于 更新于 分类于 ， ， ， 阅读次数： 本文字数： 498 阅读时长 ≈ 1 分钟

在 GoogleNetv3 的基础，加入深度可分离卷积，并且实际使用时，调换通道卷积和 1x1 卷积的顺序

什么是 Xception？

  • Inceptionv3 的另一种改进，主要采深度可分离卷积来替代原来的 Inceptionv3 中的卷积操作
  • Inception 系列论文都在提高不同尺度特征的适应能力，通过不同的卷积核加宽模型，使得模型效果更好，上图从左到右，依次是原始 Inceptionv3 结构、并行 3 分支、分组 3 分支、所有通道一组

Xception 的网络结构？

  • Xception-20230408141158-1
  • Xception 包含三个部分：输入部分，中间部分和结尾部分；其中所有卷积层和可分离卷积层后面都使批规范化 (Batch Normalization,BN) 处理，所有的可分离卷积层使用一个深度乘数 1（深度方向并不进行扩充）

Xception 如何使用深度可分离卷积？

  • 顺序：原深度可分离卷积 (depthwise separable convolution) 先逐通道卷积，再 1x1 卷积；而 Xception 是反过来，先 1x1 卷积，再逐通道卷积
  • 激活函数：原版深度可分离卷积的两个卷积之间是不带激活函数的，而 Xception 在经过 1x1 卷积之后会带上一个 Relu 的非线性激活函数