论文阅读: ResNeXt

Introduction

ResNeXt是ResNet的加强版，将ResNet原本简单的“plain版residual module”替换成了“Inception版residual module”：

这里写图片描述

每个“Inception版residual module”内部各通道最后进行 按位加 ：

这里写图片描述

标准计算公式如下：

这里写图片描述

作者还给出了不同型号的“Inception版residual module”：

这里写图片描述

以下是ResNeXt网络结构说明书：

这里写图片描述

Result

在ImageNet-1K上：

• ResNeXt可以比ResNet收敛更快：

这里写图片描述

• 在FLOP为ResNet两倍的情况下，ResNeXt分类效果略微强过ResNet：

这里写图片描述

在ImageNet-5K上：

• ResNeXt分类错误率更低一点：

这里写图片描述

这里写图片描述

在CIFAR-10上：

• ResNeXt分类top-1错误率更低一点：

这里写图片描述

在COCO上：

• ResNeXt分类AP值更高一点：

这里写图片描述

Innovation

移花接木： “plain版残差结构” + “Inception设计” -> “Inception版残差结构”

Thinking

• ResNet因为结构简单，效果好，成为了日常使用时各network的首选basemodel。
• ResNet与其加强版的ResNeXt、DPN互为补充。前者因为结构简单、效果好，成为了日常做研究时的首选basemodel。后两者结构复杂，在大数据集和更深的网络上效果略优于ResNet，因此成为论文刷AP、比赛打榜的首选basemodel。

[1] Aggregated Residual Transformations for Deep Neural Networks [2] Deep Residual Learning for Image Recognition 笔记