Xception: Deep Learning mit depthwise separable Convolution

Wir präsentieren eine Interpretation von Inception-Modulen in convolutionalen neuronalen Netzen als einem Zwischenschritt zwischen herkömmlicher Faltung und der depthwise separable Convolution (einer depthwise Faltung gefolgt von einer pointwise Faltung). In diesem Sinne kann eine depthwise separable Convolution als ein Inception-Modul mit einer maximalen Anzahl von Türmen verstanden werden. Diese Beobachtung führt uns dazu, eine neuartige tiefe convolutionale neuronalen Netzarchitektur vorzuschlagen, die von Inception inspiriert ist, wobei die Inception-Module durch depthwise separable Convolutionen ersetzt wurden. Wir zeigen, dass diese Architektur, Xception genannt, auf dem ImageNet-Datensatz (dem Datensatz, für den Inception V3 entworfen wurde), leicht Inception V3 übertrifft, und signifikant besser abschneidet als Inception V3 auf einem größeren Datensatz für Bildklassifikation mit 350 Millionen Bildern und 17.000 Klassen. Da die Xception-Architektur die gleiche Anzahl an Parametern wie Inception V3 besitzt, beruhen die Leistungsverbesserungen nicht auf einer erhöhten Kapazität, sondern vielmehr auf einer effizienteren Nutzung der Modellparameter.