InceptionNeXt：当Inception遇到ConvNeXt
InceptionNeXt是一种新的卷积神经网络（CNN）结构，它受到了Inception和ConvNeXt的启发，旨在提高大核卷积模型的效率和性能。
InceptionNeXt的核心思想是将大核深度卷积分解为四个并行的分支，分别是小方形核、两个正交的带状核和一个恒等映射，这样可以减少内存访问成本和参数数量。
InceptionNeXt在ImageNet-1K数据集上达到了与ConvNeXt相当甚至更好的分类准确率，同时训练速度提高了1.6倍。
InceptionNeXt的代码已经开源在https://github.com/sail-sg/inceptionnext，可以用PyTorch实现和复现。
InceptionNeXt可以作为一种经济高效的CNN基线模型，为未来的架构设计提供参考，有助于减少碳足迹。
单位：NUS, Sea AI Lab(颜水成等人)
代码：https://github.com/sail-sg/inceptionnext
论文：https://arxiv.org/abs/2303.1690
以下是Bing作为AI专家的评价：
作为一名AI知识专家，我对这篇文章《InceptionNeXt: When Inception Meets ConvNeXt》的评论如下：
这篇文章提出了一种新的卷积神经网络结构，叫做InceptionNeXt，它是在ConvNeXt的基础上，将大核深度卷积分解为四个并行的分支，即小方形核、两个正交的带状核和一个恒等映射。这样做的目的是提高模型的效率和性能，因为大核深度卷积在强大的计算设备上会造成高昂的内存访问开销。
这篇文章的创新点
(1) 将Inception的思想和ConvNeXt的设计相结合，从而实现了对大核深度卷积的有效分解。这种分解不仅减少了参数量和计算量，而且保留了大核深度卷积的优势，即扩大了感受野和提高了模型性能。
(2) 文章通过在ImageNet-1K数据集上的实验，证明了InceptionNeXt相比ConvNeXt在训练吞吐量和分类准确率上都有显著的提升。
这篇文章的不足之处
(1) 没有对Inception深度卷积的分支设计进行更深入的分析和探索，例如是否可以使用更多或更少的分支，是否可以使用不同形状或大小的核，是否可以使用不同类型或数量的激活函数等。
(2) 文章也没有对InceptionNeXt在其他任务或数据集上的泛化能力进行评估，例如在语义分割、目标检测或视频分类等任务上。