GoogLe2Net：以卷积横向拓展

在视觉任务中，有效捕获特征信息至关重要。随着卷积神经网络（CNNs）的发展，残差连接和多尺度等概念推动了多种深度学习视觉任务性能的持续提升。然而，现有方法并未有机地结合这些有效思想的优势。本文中，我们提出一种称为 GoogLe2Net 的新型 CNN 架构，其由残差特征复用 inception（ResFRI）或拆分残差特征复用 inception（Split-ResFRI）组成，它们在相邻卷积层组之间创建横向通道以使特征流向后续处理分支，并具备残差连接以更好地处理信息。我们的 GoogLe2Net 能够复用前述卷积层组捕获的信息，并在细粒度层面表达多尺度特征，从而提升图像分类性能。且我们所提 inception 可直接嵌入类 inception 网络而无需任何迁移成本。此外，在基于流行视觉数据集（如 CIFAR10（97.94%）、CIFAR100（85.91%）和 Tiny Imagenet（70.54%））的实验中，我们在图像分类任务上取得了优于其他现代模型的结果。