총 8층

분류에 의미 있는 데이터로부터 구조적 특징을 학습합니다.

입력 이미지의 구조적 정보 설명

설명 결과는 256개의 6x6 기능 응답 맵에 저장됩니다.

이전 컨볼루션 커널을 더 작은 크기로 변경

특징을 성공적으로 추출하려면 단계 크기를 늘리세요.

늦은 컨볼루션 커널 수 늘리기

13개의 컨벌루션 레이어

3개의 완전히 연결된 레이어

더 큰 수용 필드를 얻으려면 더 작은 3x3 컨볼루션 커널을 직렬로 사용하십시오.

더 깊은 깊이, 더 강한 비선형성, 더 적은 네트워크 매개변수

AlexNet의 LRN 레이어 제거

작은 컨볼루션 커널의 장점

512로 컨볼루션하는 이유

입력 신호의 더 많은 특징적인 정보를 유지할 수 있는 인셉션 구조를 제안합니다.

완전히 연결된 계층을 제거하고 평균 풀링을 사용하면 AlexNet보다 12배 적은 500만 개의 매개변수만 생성됩니다.

훈련 중 Vanishing Gradient 문제를 극복하기 위해 네트워크 중간에 보조 분류기가 도입되었습니다.

평균 풀링 벡터화와 직접 확장 벡터화의 차이점

더 깊은 네트워크는 더 얕은 네트워크보다 열등한 것으로 보입니다.

이유

제안된 잔여 모듈

제안된 배치 정규화

ReLU 활성화 함수의 초기화 방법 제안

통합모델로 볼 수 있다