【QA】CNN系列的遷移式學習中，Inception的特點是什麼？?
2021/09/07 下午 04:30
機器學習共學討論版
王健安
觀看數：66
回答數：1
收藏數：0
圖像分類或物件偵測中，有許多遷移式學習（Transfer Learning）模型已被開發出來且廣泛被使用，每個模型也有屬於自己的特色與重點，其中Inception的重點結構是什麼呢？
回答列表
-
2021/09/07 下午 04:31王健安贊同數：0不贊同數：0留言數：0
Inception是google開發出來的遷移式學習（Transfer learning），在2014稱霸CNN影像分析的強者。 歷經原始版、v1、v2、v3與v4。 原始版的架構是將上一層輸出的 feature map 各別藉由1*1、3*3、5*5的卷基層以及3*3的最大池化層， 最後再將四個 feature map 合併起來，形成一個新的 feature map， 如此設計能讓神經網路擷取不同尺度的特徵， 以達到獲取更多或更細節特徵的功能。  但原始版有個很大的缺陷是「計算量大」， 尤其是它需要同時計算四種不同的 feature map 並且合併在一起， 比起只使用一個卷基層的計算量大許多， 因此v1就使用了「降維」的概念， 在卷基層前都加入一個1*1的卷基層， 目的是透過聚合的過程，把 feature map 減少， 以達到特徵數減少，但資訊量不少，計算量下降的目的。 