VGGNet是由Oxford大学的Visual Geometry Group提出的，以VGG-16和VGG-19著名。VGG的特点是卷积层深度增加，空间分辨率递减，通道数递增。这种结构有助于从输入图像平滑过渡到分类向量。与ResNet相比，VGG在分辨率缩小方面有所不同，且在ImageNet竞赛中取得优异成绩。VGG还有适用于CIFAR数据集的变种，网络结构更为简洁。
VGG是Visual Geometry Group, Department of Engineering Science, University of Oxford的缩写。他们组参加ILSVRC 2014时候组名叫VGG，所以提交的那种网络结构也叫VGG，或者叫VGGNet。VGG和GoogleNet同在2014年参赛，图像分类任务中GoogLeNet第一，VGG第二，它们都是重要的网络结构。
VGG相应的论文“Very Deep Convolutional Networks for Large-Scale Image Recognition”，下载地址：https://arxiv.org/abs/1409.1556
VGG比较出名的是VGG-16和VGG-19，最常用的是VGG-16。各种VGG的网络结构如下：
VGG-16有16个卷积层或全连接层，包括五组卷积层和3个全连接层，即：16=2+2+3+3+3+3。这个结构应该牢记于心。
认真比较ResNet和VGG，你会发现ResNet的第一个卷积层的stride=2，因此在分辨率缩小相同倍数（32倍）的情况下，它不需要像VGG那样在最后一组卷积层后面跟一个stride=2的pooling层。
VGGNet的卷积层有一个显著的特点：特征图的空间分辨率单调递减，特征图的通道数单调递增。
这样做是合理的。对于卷积神经网络而言，输入图像的维度是HxWx3（彩色图）或者是HxWx1（灰度图），而最后的全连接层的输出是一个1x1xC的向量，C等于分类
最低0.47元/天 解锁文章
扫一扫
1268
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
