Xception : Apprentissage profond avec des convolutions séparables par profondeur

Nous proposons une interprétation des modules Inception dans les réseaux de neurones convolutifs comme étant une étape intermédiaire entre la convolution régulière et l’opération de convolution séparable par profondeur (composée d’une convolution par profondeur suivie d’une convolution pointée). À cet égard, une convolution séparable par profondeur peut être vue comme un module Inception doté d’un nombre maximal de tours. Cette observation nous conduit à proposer une nouvelle architecture de réseau neuronal convolutif profond inspirée par Inception, dans laquelle les modules Inception sont remplacés par des convolutions séparables par profondeur. Nous montrons que cette architecture, baptisée Xception, surpasse légèrement Inception V3 sur le jeu de données ImageNet (conçu spécifiquement pour Inception V3), et s’impose de manière significative sur un jeu de données plus vaste de classification d’images comprenant 350 millions d’images et 17 000 classes. Étant donné que l’architecture Xception possède le même nombre de paramètres qu’Inception V3, les gains de performance ne sont pas dus à une capacité accrue, mais plutôt à une utilisation plus efficace des paramètres du modèle.