深入与卷积简介.pdfVIP

指导教师 ： 杨涛 提交时间： 2016/3/17 CVPR2015 Paper Translation No: 01 姓名 ： 刘选 学号 ： 2013302524 班号 ： 深入与卷积 Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich Google Inc. University of North Carolina, Chape Hill University of Michigan, Ann Arbor Magic Leap Inc. fszegedy,jiayq,sermanet,dragomir,dumitru,vanhouckeg@ wliu@, reedscott@, arabinovich@ 摘要 一个令人鼓舞的消息是，大部分的进 步是不只是更强大的硬件，更大的数 我 们 提出 了一 个代 号为 开 端 据集和更大的模型的结果，而主要是 （Inception）的深入卷积神经网络的 因为一个新的想法，即算法和改进的 体系结构，在 2014 年的大规模视觉识 网络体系结构。没有新的数据来源， 别挑战（ilsvrc14）的 ImageNet 项目 例如，通过顶部的条目在 Ilsvrc 2014 的分类与检测上达到了新的行业状 竞争除了分类用于检测目的的同一竞 态。这种架构的主要特点是提高了网 络上计算资源的利用率。通过精心设 计的设计，我们增加了网络的深度和 争数据集。我们提交给 Ilsvrc 2014 宽度，同时保持了计算预算常数。为 的 googlenet 实 际使 用的参 数 比 了优化质量，架构上的决定是基于赫 krizhevsky 等人[ 9 ]在两年前的获奖 布原理和多尺度处理的直觉。被我们 架构少 12 倍，同时显的更准确。在目 用于提交给 ilsvrc14 的一个特殊的结 标检测方面，最大的收获不是来自越 构叫做 googlenet，一个 22 层的网络， 来越大的深层网络方面的天真应用， 其质量是在分类和检测的背景下进行 而是从深层的协同效应架构和计算机 评估的。 视觉中的经典，就像 Girshick 等人[ 6 ] 的r-cnn 算法。 1、简介 另一个值得注意的因素是，随着 正在进行的牵引力移动和嵌入式计 在过去的三年里， 由于在深度学 算，我们的效率算法，特别是它们的 习和卷积网络[ 10 ]方面的进步，我 功率和内存的使用，获得了重要地位。 们的目标分类和检测能力有显著高。 值得注