论文：Xception: Deep Learning with Depthwise Separable Convolutions
论文链接：https://arxiv.org/abs/1610.02357
算法详解：
Xception是google继Inception后提出的对Inception v3的另一种改进，主要是采用depthwise separable convolution来替换原来Inception v3中的卷积操作。
要介绍Xception的话，需要先从Inception讲起，Inception v3的结构图如下Figure1。当时提出Inception的初衷可以认为是：特征的提取和传递可以通过1*1卷积，3*3卷积，5*5卷积，pooling等，到底哪种才是最好的提取特征方式呢？Inception结构将这个疑问留给网络自己训练，也就是将一个输入同时输给这几种提取特征方式，然后做concat。Inception v3和Inception v1（googleNet）对比主要是将5*5卷积换成两个3*3卷积层的叠加。
于是从Inception v3联想到了一个简化的Inception结构，就是Figure 2。
再将Figure2延伸，就有了Figure3，Figure3表示对于一个输入，先用一个统一的1*1卷积核卷积，然后连接3个3*3的卷积，这3个卷积操作只将前面1*1卷积结果中的一部分作为自己的输入（这里是将1/3channel作为每个3*3卷积的输入）。再从Figure3延伸就得到Figure4，也就是3*3卷积的个数和1*1卷积的输出channel个数一样，每个3*3卷积都是和1个输入chuannel做卷积。
铺垫了这么多，终于要讲到Xception了。在Xception中主要采用depthwise separable convolution，什么是depthwise separable convolution？这是mobileNet里面的内容，可以参考另一篇博文：mobileNets-深度学习模型的加速。这里简单介绍下：下图就是depthwise separable convolution的示意图，其实就是将传统的卷积操作分成两步，假设原来是3*3的卷积，那么depthwise separable convolution就是先用M个3*3卷积核一对一卷积输入的M个feature map，不求和，生成M个结果；然后用N个1*1的卷积核正常卷积前面生成的M个结果，求和，最后生成N个结果。因此文章中将depthwise separable convolution分成两步，一步叫depthwise convolution，就是下图的（b），另一步是pointwise convolution，就是下图的（c）。
其实depthwise separable convolution和上面的Figure4是很像的。差别有两个：1、顺序不一样，在depthwise separable convolution中是先进行一个channel-wise的spatial convolution，也就是上图的（b），然后是1*1的卷积。而在Figure4中是先进行1*1的卷积，再进行channel-wise的spatial convolution，最后concat。2、在Figure4中，每个操作后都有一个ReLU的非线性激活，但是在depthwise separable convolution中没有。
那么作者为什么要采用depthwise separable convolution操作呢？就是从Figure1到Figure4的关于Inception v3结构的不断延伸，然后Figure4基本上和depthwise separable convolution没有太大的区别，于是就有了引入depthwise separable convolution修改Inception v3结构的Xception。
Figure5是Xception的结构图。这里的sparsableConv就是depthwise separable convolution。另外，每个小块的连接采用的是residule connection（图中的加号），而不是原Inception中的concat。
实验结果：
Table1表示几种网络结构在ImageNet上的对比。
Table2表示几种网络结构在JFT数据集上的对比。大数据上的提升会比Table1好一点。
其他更多的实验结果可以参考论文。
总结：
Xception作为Inception v3的改进，主要是在Inception v3的基础上引入了depthwise separable convolution，在基本不增加网络复杂度的前提下提高了模型的效果。有些人会好奇为什么引入depthwise separable convolution没有大大降低网络的复杂度，因为depthwise separable convolution在mobileNet中主要就是为了降低网络的复杂度而设计的。原因是作者加宽了网络，使得参数数量和Inception v3差不多，然后在这前提下比较性能。因此Xception目的不在于模型压缩，而是提高性能。
Introduction
GoogleNet论文中研究 group size 而搞出了Inceptionv1(即多group的CNN分支)。此后，Inception不断迭代，group size被越玩越复杂，一直发展到了v4版本。
这时，Inception的鼻祖Google团队又提出了 Extreme Inception ，即赫赫有名的 Xception 。只不过，这次不再是之前的 并行式group 了，取而代之的是 串行式group 。
具体来说，就是：
在channel上进行逐片分治，然后group之。
而这一 串行式group 的module，被起名 separable convolution 。
separable convolution是通过如下图所示(图片来源：Xception: Deep Learning with Depthwise Separable Convolutions)的演化而诞生的：
从此，group操作进入了“串行”时代。
传统的卷积操作如下图：
而separable convolution的操作如下图：
完整的一个SeparableConv组合如下图(图片来源)：
整个网络结构并没有太多的创新点，可以视为将ResNeXt的Inception module替换为SeparableConv module：
换言之：
Xception是ResNeXt的一个变种。
Note：
- 我们平常所说的Xception145，其实指的是模型大小为145M的Xception。145并非层数。
Innovation
并行式group –> 串行式group 。
在SeparableConv module看来，channel之间的信息融合，交给Conv1×1就够了：
channel数个Conv3×3则只需对单channel负责，这样就可以更专心地学到本channel的location信息：
两部分各司其职，共同组成了SeparableConv module。
Result
经过实验，Xception在ImageNet上稍优于Inceptionv3：
参数数量和Inceptionv3基本一致，速度也差不多：
在ImageNet上的收敛情况也好于Inceptionv3：
Thinking
对于Xception的串行式group为什么会优于Inceptionv3的并行式group，并且在ImageNet上取得了更好地分类结果，我还是觉得百思不得其解。如果先出来Xception，再出来Inceptionv3，且Inceptionv3的分类效果更好，那么又可以吹出一个貌似“有理有据”的故事。
另外，Xception取代ResNet作为Detection算法的basemodel，从而提高算法速度和减少模型参数，是目前被普遍接受的一种做法。
Xception145、Xception39是Xception中最大和最小的两种version。
Xception的速度几乎比ResNet 快 了 一个数量级 。
[1] Xception: Deep Learning with Depthwise Separable Convolutions
[2] Google Xception Network