《表1 2种主流分类网络的参数比较》
Goog Le Net层数较多,为了回避梯度消失问题,它巧妙地在不同深度的层添加了2个损失函数来确保梯度回传现象的存在,增加了多种内核1×1,3×3,5×5,还有直接加最大池化层的,但是如果直接将这些应用到特征图上的话,合并起来的特征图宽度会很大,所以Goog Le Net为了避免这一现象提出了Inception层。Inception层的基本结构,是在3×3前、5×5前、最大池化层后分别加上了1×1的卷积内核,减少了特征图的宽度,提高了参数的利用率。VGGNet-16和Goog Le Net网络参数的对比见表1。本文提出的调车机车前方车列图像识别模型就使用了Goog Le Net里的Inception层[13]。
图表编号 | XD00201410600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 曹子昱、任宛星、付连著、栾德杰 |
绘制单位 | 中国铁道科学研究院集团有限公司通信信号研究所、中国铁道科学研究院集团有限公司通信信号研究所、中国铁道科学研究院集团有限公司深圳研究设计院、中国铁道科学研究院集团有限公司通信信号研究所 |
更多格式 | 高清、无水印(增值服务) |