为何GoogleNet采用不同尺寸卷积核？不同尺寸卷积核如何应用于单张图像？

1. GoogLeNet设计中使用不同尺寸卷积核的原因 #

• 适配多尺度特征提取需求：图像中的有效信息分布在不同的感受野范围，小尺寸目标、边缘纹理只需要小卷积核就能捕捉，大尺寸目标、全局语义信息需要大卷积核才能覆盖，多尺寸卷积核并行的结构可以一次性提取不同尺度的特征，不需要额外叠加多轮下采样/上采样操作。
• 控制整体计算量：如果全部使用大尺寸卷积核（比如统一用5x5卷积），参数量和计算量会大幅上涨。GoogLeNet的设计是在3x3、5x5卷积前先加1x1卷积降低输入通道数，哪怕同时跑多个分支，最终的计算量和参数量反而比单一路径堆大卷积低得多，原始GoogLeNet的参数量仅为同期VGGNet的1/10左右。
• 增强模型表达能力：多个分支的卷积层各自带有ReLU激活函数，相当于叠加了多组独立的非线性变换，特征的丰富度和模型的拟合能力都比单一尺寸卷积更强，也能降低过拟合风险。

2. 不同尺寸的卷积核适配同一张输入的实现方法 #

核心是通过padding对齐+多分支并行+通道拼接的Inception模块实现，具体逻辑如下：

• 首先对输入特征图做对应尺寸的零填充：1x1卷积无需填充即可保证输出宽高和输入一致；3x3卷积会给输入特征图补1圈0；5x5卷积补2圈0，确保所有分支卷积运算后输出的特征图宽高完全相等。
• 各分支独立完成运算：常规的Inception V1（即原始GoogLeNet用的版本）分支包括4个：纯1x1卷积、1x1降维+3x3卷积、1x1降维+5x5卷积、3x3最大池化+1x1通道调整，所有分支输出的宽高都和输入对齐，仅通道数存在差异。
• 最后在通道维度拼接所有分支的输出：比如四个分支分别输出64、128、32、32通道的特征，拼接后总通道数为256，输出的特征图宽高和输入完全一致，可以直接输入到下一层网络。

内容的提问来源于stack exchange，提问作者bellatrix