CNN经典分类网络发展历程GoogLeNet、SqueezeNet、ResNet、ResNeXt、DenseNet

本篇博文主要介绍2015年之后出现的经典分类网络的发展历程，前期经典分类网络网上有很多解析，主要包括LeNet、AlexNet、VGG等。
本篇博文主要介绍GoogLeNet、SqueezeNet、ResNet、ResNeXt、DenseNet。
以PPT截图形式进行讲解

一、GoogLeNet

论文题目：Going Deeper with Convolutions
论文链接：https://arxiv.org/abs/1409.4842
参考博文：https://blog.csdn.net/GL3_24/article/details/90406591

核心：提出了Inception module
最原始的Inception module(a)的特点是一方面增加了网络的宽度，另一方面也增加了网络对尺度的适应性（通道相加），如果想要提取更高维度的特征，那么网络中的Inception模块会更多，这样就带来了一个很严重的问题-------->巨大的计算量，因为5* 5的卷积的计算量就很大，层数越多计算量就更大。那么就需要一种解决方案进行降维，这就产生了Inception module的升级版Inception module v1 进行降维的版本。降维方法是通过增加1*1卷积。

1*1卷积进行降维的思想来源于NIN

论文题目：Network In Network
论文链接：https://arxiv.org/abs/1312.4400
参考博文：https://blog.csdn.net/GL3_24/article/details/90400956
具体的降维指的是参数的减小，请看下图


由Inception 模型A 到Inception 模型B参数明显减少了。

二、ResNet

论文题目：Deep Residual Learning for Image Recogniton
论文链接：https://arxiv.org/abs/1512.03385

随着研究的不断深入，研究界出现了一种共识，那就可以通过增加网络的深度来提高网络的性能，原因很简单：越深的网络提取的特征越抽象，越具有语义信息。
但是，该文章的作者经过对比实验发现，50层的网络比30层的网络效果更差，这就引出了网络退化的问题。那么为了解决该问题，作者提出了一种building block，核心思想就是让层与层之间有了联系，并不是原来那种输入输出，层与层之间互相对立的关系。

三、ResNeXt

论文题目：Aggregated Residual Transformations for Deep Neural Networks
论文链接：https://arxiv.org/pdf/1611.05431.pdf
参考博文：https://blog.csdn.net/GL3_24/article/details/90643094

为了进一步提升网络宽度，提升分类结果，提出来了ResNeXt网络。它采用VGG / ResNets的重复层策略，同时以简单，可扩展的方式利用分裂变换合并策略。
上图中的两个block具有相同的复杂度。左边就是ResNet的一个block，右边是基数为32的ResNeXt一个block。
ResNeXt中的block结构是一个单元重复32次然后再相加的结果。每个单元是一个bottleneck结构：先把输入feature map 通过1x1卷积降维到4通道的特征图，然后经过3x3卷积，输出还是4通道（该部分的降维力度比较大，直接从256d到了4d，而ResNet的一个block是从256d降维到了64d），然后再通过1x1卷积进行升维。这个结构叫做32x4d的结构。其中32是ResNeXt引入的新的自由度，称为cardinality。ResNeXt的名字也源于此，X指的就是 neXt dimension。4d代表的是通过1x1卷积之后直接降维到了4通道的特征图。

理解bottleneck architecture
参考博文：https://blog.csdn.net/GL3_24/article/details/90640263

这个是针对于网络结构中输入/输出的维度(dimensions)来讲的。
这三层结构是1X1,3X3和1X1卷积，其中1X1层负责减小然后增加（恢复）尺寸，使3X3层成为具有较小输入/输出尺寸的瓶颈。

四、SqueezeNet

论文题目：SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
论文链接：https://arxiv.org/abs/1602.07360

从论文题目可以看出来SqueezeNet有三个有点：

1. AlexNet-level accuracy
2. 50x fewer parameters
3. <0.5MB model size
   主要是减少了参数和生成了很小的模型文件，这样对计算机内存要求就降低了，训练起来也很快，很高效。
   使用到的操作手法同样包含1*1卷积进行降维以及下采样。

五、DenseNet

论文题目：Densely Connected Convolutional Networks（CVPR 2017, Best Paper Award）
论文链接：https://arxiv.org/pdf/1608.06993.pdf
参考博文：https://blog.csdn.net/GL3_24/article/details/90478764 （DenseNet网络实践（caffe版））

该论文的核心是提出了dense block DenseNet，(有点借鉴ResNet的建立层与层之间联系的思想)核心思想在于建立了不同层之间的连接关系，充分利用了feature，进一步减轻了梯度消失问题，加深网络不是问题，而且训练效果非常好。另外，利用bottleneck layer，Translation layer以及较小的growth rate使得网络变窄，参数减少，有效抑制了过拟合，同时计算量也减少了。

作者：GL3_24
来源：CSDN
著作权归作者所有。转载请联系作者获得授权。