Xception：利用深度可分离卷积的深度学习
计算机视觉与模式识别
2017-04-06 v3
摘要
我们将卷积神经网络中的Inception模块诠释为常规卷积与深度可分离卷积操作（一个深度卷积后接一个逐点卷积）之间的一个中间步骤。从这个角度看，深度可分离卷积可被理解为一个具有极大数量塔数的Inception模块。这一观察促使我们提出一种受Inception启发的新型深度卷积神经网络架构，其中Inception模块被替换为深度可分离卷积。我们证明，这种被称为Xception的架构在ImageNet数据集（Inception V3正是为此数据集设计的）上略优于Inception V3，并在一个包含3.5亿张图像和17,000个类别的更大图像分类数据集上显著优于Inception V3。由于Xception架构与Inception V3具有相同数量的参数，性能的提升并非源于容量的增加，而是源于对模型参数更高效的使用。
引用
@article{arxiv.1610.02357,
title = {Xception: Deep Learning with Depthwise Separable Convolutions},
author = {François Chollet},
journal= {arXiv preprint arXiv:1610.02357},
year = {2017}
}