可分离卷积的新解释
机器学习
2017-01-18 v1 机器学习
摘要
近年来，可分离卷积在深度卷积神经网络架构中的应用已被探索。多位研究者，最著名的是 Chollet (2016) 和 Ghosh (2017)，在其深度架构中采用了可分离卷积，并展示了最先进或接近最先进的性能。然而，可分离卷积的底层作用机制仍未被完全理解。尽管其数学定义被充分理解为逐深度卷积后接逐点卷积，但诸如极端 Inception 假设 (Chollet, 2016) 等更深层的解释未能彻底说明其有效性。本文提出了一种混合解释，我们认为它是解释可分离卷积有效性的更好模型。
引用
@article{arxiv.1701.04489,
title = {Towards a New Interpretation of Separable Convolutions},
author = {Tapabrata Ghosh},
journal= {arXiv preprint arXiv:1701.04489},
year = {2017}
}