Sehr tiefe Faltungsnetzwerke für die großflächige Bilderkennung

In dieser Arbeit untersuchen wir den Einfluss der Tiefe von Faltungsnetzwerken auf deren Genauigkeit im Kontext der großflächigen Bilderkennung. Unser Hauptbeitrag ist eine gründliche Bewertung von Netzwerken mit zunehmender Tiefe unter Verwendung einer Architektur mit sehr kleinen (3x3) Faltungskernen, die zeigt, dass eine signifikante Verbesserung gegenüber bisherigen Konfigurationen durch Erhöhung der Tiefe auf 16–19 Gewichtsschichten erreicht werden kann. Diese Erkenntnisse bildeten die Grundlage für unsere Einreichung zur ImageNet Challenge 2014, bei der unser Team jeweils den ersten und zweiten Platz in den Bereichen Lokalisierung bzw. Klassifikation belegte. Zudem zeigen wir, dass unsere Repräsentationen gut auf andere Datensätze generalisieren und dort state-of-the-art-Ergebnisse erzielen. Wir haben unsere zwei am besten performenden ConvNet-Modelle öffentlich zugänglich gemacht, um weitere Forschung zur Nutzung tiefer visueller Repräsentationen im Bereich der Computer Vision zu fördern.