Переосмысление архитектуры Inception для компьютерного зрения

Сверточные сети лежат в основе большинства современных решений в области компьютерного зрения для широкого спектра задач. С 2014 года очень глубокие сверточные сети начали становиться стандартом, обеспечивая существенный прирост качества на различных тестах. Хотя увеличение размера модели и вычислительных затрат обычно приводит к немедленному повышению качества для большинства задач при наличии достаточного количества размеченных данных для обучения, вычислительная эффективность и небольшое число параметров по-прежнему являются ключевыми факторами для различных вариантов применения, включая мобильное компьютерное зрение и сценарии обработки больших данных. В данной работе мы исследуем способы масштабирования сетей, направленные на максимально эффективное использование дополнительных вычислений за счет подходящей факторизации сверток и агрессивной регуляризации. Мы оцениваем предложенные методы на валидационном наборе задачи классификации ILSVRC 2012 и демонстрируем существенное превосходство над текущим уровнем техники: 21,2% ошибки top-1 и 5,6% ошибки top-5 при оценке по одному изображению с использованием сети, требующей 5 миллиардов операций умножения и сложения на один инференс и содержащей менее 25 миллионов параметров. При использовании ансамбля из 4 моделей и оценки по нескольким кропам мы получаем ошибку top-5 3,5% и ошибку top-1 17,3% на валидационном наборе, а также ошибку top-5 3,6% на официальном тестовом наборе.