Xception najprej izračuna prostorsko korelacijo na vsakem izhodnem kanalu ločeno, nato pa izvede še globinsko 1 × 1 konvolucijo, da zajame medkanalno korelacijo.

Xception sestavlja 14 modulov, od katerih imajo vsi linearne rezidualne povezave (angl. linear residual connection), razen prvega in zadnjega modula.

Xception ima v fazi učenja na koncu svoje arhitekture softmax sloj, ki klasificira v naših 120 učnih razredov.

V našem delu smo obravnavali problem odkrivanja globokih ponaredkov, kjer smo kot osnovni model za njihovo detekcijo implementirali konvolucijsko nevronsko mrežo Xception.

Predstavimo arhitekturo Xception, ki nam je izhodišče za primerjavo efektivnosti implementiranih pristopov in osnova, na kateri bomo bazirali izboljšave detekcije globokih ponaredkov.

Pred učenjem dvovejne arhitekture smo uporabili arhitekturo Xception za določanje parametrov transformacij slik, ki bodo služile kot vhod za učenje izbrane arhitekture.

Z učenjem osnovnega modela Xception na ustvarjeni podatkovni zbirki smo pridobili zelo dobre rezultate, ki prekašajo tudi najboljši model dvovejne arhitekture.

V tem podpoglavju predstavimo dva hibridna pristopa detekcije globokih ponaredkov, kjer smo združili mrežo Xception in model z matrikami sočasnih pojavitev.

Tretji prispevek je implementacija dveh sistemov, kot nadgradnja mreže Xception z uporabo sistema detekcije globokih ponaredkov z uporabo matrik sočasnih pojavitev.

Pri drugi nadgradnji pa modificiramo osnovni Xception cevovod, tako da mu hkrati hranimo tako sliko, kot tudi tenzor matrik sočasnih pojavitev.

Model Xception smo uporabili kot osnovni model, ki smo ga nadgrajevali, zato lahko njegovo uspešnost upoštevamo kot merilo za izboljšavo modela.

V drugem učnem koraku segmentacijski arhitekturi dodamo preostanek celotne arhitekture, torej množenje vhodne slike s segmentacijskim izhodom, ter Xception modul.

Optimizator, funkcija izgube, začetna stopnja učenja, upadanje hitrosti učenja in upad uteži so enaki kot pri mreži Xception, opisani v podpoglavju 4.1.

Kot prvo samostojno arhitekturo in nevronsko mrežo, ki bo služila kot hrbtenica ostalim arhitekturam, smo izbrali konvolucijsko nevronsko mrežo Xception [32].

Prvotno smo za postavitev izhodiščne točke rezultatov implementirali enega izmed najuspešnejših sistemov detekcije globokih ponaredkov, mrežo Xception.

V testni fazi Xception modulu odstranimo zadnji softmax sloj in izluščene značilke (enodimenzionalni vektor dolžine 2.048) vzamemo iz sloja globalnega povprečnega združevanja.

Mreža Xception dobi nekoliko boljše rezultate pri vrednotenju na isti podatkovni bazi (+0,2%), medtem ko pri medpodatkovnem vrednotenju dobi nekoliko slabše rezultate (-1,3%).

Večji, kot je α, bolj se sistem nagiba k napovedi mreže Xception in obratno.

Dodatno modelu Xception omogočimo delovanje na velikosti slik, na katerih je bil prednaučen.

Xception je posodobljena in izboljšana različica arhitekture InceptionV3 [33] in izboljšavo doseže s poenostavitvijo originalne arhitekture.