0
点赞
收藏
分享

微信扫一扫

InceptionV4,Inception-ResNet-V2,Inception-ResNet-V1(TensorFlow-2.6.0实现结构)

新鲜小饼干 2022-04-27 阅读 110

文章目录

1.InceptionV4结构

(1)整体网络结构

在这里插入图片描述

(2)主干网络结构(Stem)

上面的Inception结构中的Stem展开式:
在这里插入图片描述

注:
在这里插入图片描述
其中的V表示不使用padding,也就是不加填充。

(3)Inception模块

Inception模块A:
在这里插入图片描述

Inception模块B:
在这里插入图片描述

Inception模块C:
在这里插入图片描述

(4)降采样模块

降采样模块A
在这里插入图片描述
降采样模块B
在这里插入图片描述
其中上面的k,l,m分别表示卷积核的个数:
在这里插入图片描述


2.InceptionV4整体讲解

(1)首先输入299x299图片大小;
(2)第二步经过主干网络Stem;
(3)第三步经过4个Inception-A模块;

在这里插入图片描述
(4)第四步经过降采样A;
在这里插入图片描述
(5)第五步经过7个Inception-B模块;
在这里插入图片描述
(6)第六步经过降采样B;
在这里插入图片描述
(7)第七步经过3个Inception-C模块;
在这里插入图片描述
(8)第八步经过全局平均池化;
在这里插入图片描述
(9)第九步使用Dropout避免过拟合;
在这里插入图片描述
(10)最后经过softmax输出类别概率;
在这里插入图片描述


3.Inception-ResNet-V1结构

(1)整体网络结构

在这里插入图片描述

(2)主干网络(Stem)

在这里插入图片描述

(3)Inception-ResNet-V1模块

模块A
在这里插入图片描述

模块B
在这里插入图片描述
模块C
在这里插入图片描述

(4)降采样模块

模块A
在这里插入图片描述
模块B
在这里插入图片描述上面的l,m,n表示含义:
在这里插入图片描述

4.10.inception-ResNet-V2

(1)整体网络结构

在这里插入图片描述

(2)主干网络(Stem)

inception-ResNet-V2与InceptionV4主干网络相同
在这里插入图片描述

(3)inception-ResNet-V2模块

模块A
在这里插入图片描述
模块B
在这里插入图片描述
模块C
在这里插入图片描述

(4)降采样模块

模块A
在这里插入图片描述
模块B
在这里插入图片描述
在这里插入图片描述


5.单模型,单帧和多帧的预测结果对比

(1)单帧,单模型

在这里插入图片描述

(2)多帧,单模型

在这里插入图片描述

(3)多帧(144),单模型

在这里插入图片描述

(4)多模型集成

在这里插入图片描述
注:多帧:对一张需要预测的图片进行放缩裁剪的处理得到多张子图,经过分类,对这多张子图预测的结果汇总在一起得到最终的分类结果。


6.总结

(1).能否将Inception与ResNet相结合,残差连接将显著加快inception训练,准确率也有少许的提升。
(2)8.对残差块输出进行幅度缩小
卷积核的个数超过1000的话,在训练早期的最后GlobalAveragePoolling层之前的feature map里面含有很多的0,但是使用更小的学习率和BN都不能解决这个问题,所以在加法融合之前对残差分支的结果乘以幅度缩小系数(0.1-0.3)。

7.InceptionV4网络结构实现

https://blog.csdn.net/Keep_Trying_Go/article/details/124438141

8.Inception-ResNet-V1网络结构实现

https://blog.csdn.net/Keep_Trying_Go/article/details/124460670

9.Inception-ResNet-V2网络结构实现

举报

相关推荐

0 条评论