前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Xception场景分类模型的实践

Xception场景分类模型的实践

作者头像
sparkexpert
发布2018-01-09 11:25:13
1.3K0
发布2018-01-09 11:25:13
举报
文章被收录于专栏:大数据智能实战

刚好最近在找场景分类精度更高的模型,因此将会对近年来精度更高的模型(tensorflow slim中集成的模型除外)进行逐一测试。

Xception: Deep Learning with Depthwise Separable Convolutions ,谷歌去年推出的一篇论文。

看了下这篇论文,它是在inceptionVX的基础上演变过来的。

上面右侧四个图刚好也是论文中思路阐述的重要部分。这些都要追溯到inception相关的结构。

当时提出Inception的初衷可以认为是:特征的提取和传递可以通过1*1卷积,3*3卷积,5*5卷积,pooling等,到底哪种才是最好的提取特征方式呢?  Inception结构将这个疑问留给网络自己训练,也就是将一个输入同时输给这几种提取特征方式,然后做concat。经典的Inception v3主要是将5*5卷积换成两个3*3卷积层的叠加。

Figure3表示对于一个输入,先用一个统一的1*1卷积核卷积,然后连接3个3*3的卷积,这3个卷积操作只将前面1*1卷积结果中的一部分作为自己的输入(这里是将1/3channel作为每个3*3卷积的输入)。

     之后,论文又讨论了下inception的极限,这也构成了xception的架构。

论文中指出:In short, the Xception architecture is a linear stack of depthwise separable convolution layers with residual connections.This makes the architecture very easy to defineand modify; 这种方法原理如下图:

         在depthwise separable convolution中是先进行一个channel-wise的spatial convolution,也就是上图的(b),然后是1*1的卷积。而在Figure4中是先进行1*1的卷积,再进行channel-wise的spatial convolution,最后concat。在Figure4中,每个操作后都有一个ReLU的非线性激活,但是在depthwise separable convolution中没有。

论文还给出了实验结果:

明显地看,比V3是有很大的提升。由于xception已经集成到KERAS,因此利用KERAS进行实验,还是对之前反复测试的多场景分类图来进行测试:

对tensorflow slim中的模型,其测试结果为:

使用预训练模型:InceptionV4 进行训练后的效果比较: Probability 94.92% => [alp] Probability 1.09% => [valley, vale] Probability 0.80% => [monastery] Probability 0.51% => [church, church building] Probability 0.19% => [bell cote, bell cot]

使用预训练模型:inception_resnet_v2 进行训练后的效果比较: Probability 78.76% => [alp] Probability 6.80% => [church, church building] Probability 1.50% => [bell cote, bell cot] Probability 1.50% => [monastery] Probability 1.33% => [valley, vale]

使用xception的预测结果为:

图片../imgs/lussari.jpg 的预测结果如下: ('n09193705', 'alp', 0.88302344) ('n02980441', 'castle', 0.018367991) ('n09468604', 'valley', 0.016518271) ('n03781244', 'monastery', 0.015572131) ('n03028079', 'church', 0.013273265)

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017年09月27日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档