# GoogleNet 2013年のILSVRCで優勝した画像分類ネットワーク。大きな特徴は「Inception」と呼ばれるモジュールの利用であり、カーネルサイズが異なる畳み込み層($1\times1$、$3\times3$、$5\times5$)と$3\times3$ Max Pooling層を並列に並べ、その結果を結合(concat)する。処理コストを減らすため、カーネルサイズが$1\times1$でない場合はチャンネル数を減らす$1\times1$畳み込み層を後続して使う。(Source: [[@2022__Gihyo__ディープラーニングを支える技術 - Chapter 5 ディープラーニングを活用したアプリケーション]] §5.1) ## 設計思想: スケール不変性への対応 画像処理では認識対象のスケールが大きく異なる場合(目の前の人と10m先の人では大きさが10倍近く異なる)でも同様に処理する必要がある。Inceptionは異なるカーネルサイズを用意しておくことで、違う大きさのパーツ・物体を検出できるようにしている。結果を足す($c=a+b$)場合はチャンネル数を抑えられるがa・b由来の情報が混ざり誤差も同じ大きさで伝播するのに対し、結合(concat、$c=\mathrm{concat}(a,b)$)する場合は出力チャンネル数が増える代償として情報をチャンネルで区別し誤差もそれぞれ違う量を伝播できる。Inceptionはこの考えに基づき異なるカーネルサイズの畳み込み結果を組み合わせることで、スケールが異なる対象をうまく処理する。(Source: [[@2022__Gihyo__ディープラーニングを支える技術 - Chapter 5 ディープラーニングを活用したアプリケーション]] §5.1) ## 関連 - 発展系譜: [[VGGNet]] / [[ResNet]] - 概念: [[畳み込みニューラルネットワーク]] - 章: [[@2022__Gihyo__ディープラーニングを支える技術 - Chapter 5 ディープラーニングを活用したアプリケーション]] ## 出典 - 岡野原大輔, 『ディープラーニングを支える技術』, 技術評論社, 2022, 第5章 §5.1.