Pourquoi ont-ils presque arrêté d'utiliser de grandes convolutions 9x9, 7x7, 5x5?

Les grandes convolutions (par exemple, 9x9, 7x7, 5x5) ont pratiquement cessé d'être utilisées pour plusieurs raisons :

• Coût computationnel élevé : les filtres volumineux nécessitent beaucoup plus d'opérations, ce qui ralentit l'apprentissage et l'inférence.
• Perte d'informations locales : les noyaux plus grands couvrent une zone trop étendue, ce qui peut diluer des caractéristiques locales importantes.
• Efficacité des petites convolutions : utiliser plusieurs convolutions successives avec de petits noyaux (par exemple, 3x3) permet aux modèles de capturer le même champ réceptif, mais avec moins de coûts et plus de non-linéarité.

Par exemple, l'architecture VGGNet utilise plusieurs convolutions 3x3 en série au lieu d'une grande, ce qui améliore la qualité et l'efficacité.