一句话导读
用多尺度卷积提升效率的Inception系列开山之作
论文信息
| 英文原名 | Going Deeper with Convolutions |
| 中文常用名 | GoogLeNet（Inception） |
| 作者 | Szegedy, Liu, Jia, et al. |
| 发表年份 | 2015 |
| 出处 / 获取 | arXiv:1409.4842 |
| 所属专题 | 经典网络架构 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：深度增加带来性能提升，但也带来计算量与参数激增；2014 年 ILSVRC 之前，如何在”更深更宽”与”计算可控”之间取得平衡是核心挑战。
二、核心创新：GoogLeNet（Inception v1）提出”网中网（Network in Network）+ 多尺度卷积”的 Inception 模块：同一层内并行使用 1×1、3×3、5×5 卷积与池化，捕捉不同尺度特征，再用 1×1 卷积做”瓶颈”降维，大幅削减计算量。整体 22 层，参数仅约 500 万（比 AlexNet 少 12 倍），却在 ILSVRC 2014 分类与检测双双夺冠（top-5 错误率 6.67%）。
三、关键技术细节：① Inception 模块将”多尺度并行+1×1 降维”组合，在增加深度宽度的同时控制算力；② 中间层附加两个辅助分类器（softmax0/softmax1）提供额外梯度，缓解深层梯度消失；③ 用全局平均池化替代尾部全连接层，显著减少参数；④ 训练采用多种尺度裁剪、色彩扰动等增强。
影响与后续发展
Inception 系列（v1-v4、Inception-ResNet）开创了”多尺度并行卷积”架构风格，”1×1 瓶颈”思想成为 CNN 高效化的标准技巧（也被 MobileNet、EfficientNet 继承），GoogLeNet 的工程化训练技巧（辅助损失等）影响深远。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Going Deeper with Convolutions (GoogLeNet/Inception): We propose a deep convolutional neural network architecture codenamed Inception, which increased the depth and width of the network while keeping the computational budget constant. Our architecture achieved the new state of the art for classification and detection in the ImageNet Large-Scale Visual Recognition Challenge 2014.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。