大海

参考：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning，解析Inception-ResNet-v1架构

参考：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning，解析Inception-v4架构

原文地址：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

论文基于Inception结构和残差连接实现了3个网络：

1. Inception-v4
2. Inception-ResNet-v1
3. Inception-ResNet-v2

通过实验证明了残差连接能够很好的改善训练速度，同时证明了非残差的Inception网络同样能够实现最好的分类精度

原文地址：Deep Residual Learning for Image Recognition

在目标检测和目标识别任务中，常用以下几种评价标准：

1. 参数数目
2. FLOPs
3. FPS
4. Accuracy/Error Rate
5. mAP

结合PyTorch完成了相关评价标准的实现：zjZSTU/Evaluation-Metrics

相关实现文档：Evaluation-Metrics

论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)

上一篇实现了Inception_v2架构，经过测试发现其损失收敛速度确实高于之前的GoogLeNet_BN。本文在此基础上实现Inception_v3架构

论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision

Inception_v2实现：[GoogLeNet]Inception_v2

发现一个在线可视化工具：Netscope CNN Analyzer，里面提供了Inception v3的可视化及详细参数：Inception v3

论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)，本文实现其中的Inception_v2架构

论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision

原文地址：Rethinking the Inception Architecture for Computer Vision

论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift将批量归一化方法作用于卷积神经网络，通过校正每层输入数据的数据分布，从而达到更快的训练目的。在文章最后，添加批量归一化层到GoogLeNet网络，得到了更好的检测效果

学习了论文Going deeper with convolutions，尝试进一步推导其模型，并使用PyTorch实现该网络