Redes Convolucionais Muito Profundas para Reconhecimento de Imagens em Grande Escala

Neste trabalho investigamos o efeito da profundidade da rede convolucional em sua precisão no cenário de reconhecimento de imagens em grande escala. Nossa principal contribuição é uma avaliação minuciosa de redes com profundidade crescente utilizando uma arquitetura com filtros convolucionais muito pequenos (3x3), que mostra que uma melhoria significativa em relação às configurações de última geração pode ser alcançada ao aumentar a profundidade para 16-19 camadas de peso. Esses achados foram a base da nossa submissão para o Desafio ImageNet 2014, onde nossa equipe garantiu o primeiro e o segundo lugares nas categorias de localização e classificação, respectivamente. Também mostramos que nossas representações generalizam bem para outros conjuntos de dados, onde alcançam resultados de última geração. Tornamos nossos dois melhores modelos ConvNet publicamente disponíveis para facilitar pesquisas futuras sobre o uso de representações visuais profundas em visão computacional.