摘要
我们提出了一种新颖的深度网络结构，称为“网络中的网络”（Network In Network，简称NIN），以增强模型对感受野内局部区域的判别能力。传统的卷积层使用线性滤波器后接非线性激活函数来扫描输入数据。相比之下，我们构建了具有更复杂结构的微型神经网络，用于抽象化感受野内的数据。我们使用多层感知机（Multilayer Perceptron）实例化微型神经网络，这是一种强大的函数逼近器。通过类似于卷积神经网络（CNN）的方式在输入数据上滑动微型神经网络，可以得到特征图；这些特征图随后被送入下一层。通过堆叠多个上述结构，可以实现深层的NIN。借助微型网络增强的局部建模能力，我们能够在分类层中使用全局平均池化对特征图进行操作，这比传统的全连接层更容易解释且不易过拟合。我们在CIFAR-10和CIFAR-100数据集上展示了NIN的最先进分类性能，并在SVHN和MNIST数据集上也取得了合理的表现。