Very Deep Convolutional Networks for Large-Scale Image Recognition-VGGNet解读

最新推荐文章于 2025-04-28 17:11:55 发布
原创 最新推荐文章于 2025-04-28 17:11:55 发布 · 3.4k 阅读 · 27 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#VGG16 #VGG19 #卷积 #神经网络

VGGNet是一种用于大规模图像识别的深度卷积神经网络，由牛津大学计算机视觉组和Google DeepMind公司共同研发。该网络通过增加网络深度，使用3x3的小卷积核和2x2的池化核，成功构建了16~19层的深度网络，证明了增加网络深度能够有效提升图像分类性能。

作者：HYH

日期：2020-9-10

论文期刊：ICLR2015

标签：VGG

论文：《Very Deep Convolutional Networks for Large-Scale Image Recognition》

一、简介：

  1. 2014年,牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司的研究员一起研发出了一种新的深度卷积神经网络：VGGNet,并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）。

  2. VGGNet的产生主要源于2012年AlexNet将深度学习的方法应用到ImageNet的图像分类比赛中并取得了惊人的效果后,大家都竞相效仿并在此基础上做了大量尝试和改进,例如,在卷积层使用更小的卷积核以及更小的步长(Zeiler＆Fergus,2013; Sermanet,2014),又或者在整个图像和多个尺度上密集地训练和测试网络(Sermanet,2014:Howard,2014)。但这些优化中作者觉得都没有谈到网络深度的工作，因此受到启发，不仅将上面的两种方法应用到自己的网络设计和训练测试阶段,同时想再试试深度对结果的影响。

  3. 因此VGGNet主要探索了卷积神经网络的深度与其性能之间的关系，并成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降。所以到目前为止，VGG仍然被用来提取图像特征。换句话说,VGGNet可以看成是加深版本的AlexNet，都是由卷积层、全连接层两大部分构成。

  4. 他们最好的网络包含了13个卷积层和3个全连接层(VGG16),网络的结构非常一致,从头到尾全部使用的是3x3的卷积核和2x2的池化核(Alexnet中使用的是3x3池化核)。他们的预训练模型是可以在网络上获得并在Caffe中使用。 VGGNet不好的一点是它耗费更多计算资源，并且使用了更多的参数，导致更多的内存占用(140M)。其中绝大多数的参数都是来自于第一个全连接层。作者后来发现这些全连接层即使被去除,对于性能也没有什么影响，而且还可以使输入的图片尺寸不受限制，因此在后面的测试阶段将这三个全连接层转化成了卷积层使用。因此目前使用比较多的深层网络结构主要有ResNet(152-1000层),GooleNet(22层),VGGNet(19层)。而后面大多数模型都是基于这几个模型进行改进,采用新的优化算法,多模型融合等。

主要贡献: 最重要的就是讨论了在大规模图像识别中，神经网络深度对于其准确率的影响。

二、VGG的网络配置

因为论文主要讨论的是网络结构的深度，所以一开始先给出了多种不同深度的网络，分别称为为A-E网络，从11-19层，其中D和E被称为VGG16和VGG19。各网络结构配置如下：
在这里插入图片描述
在这篇论文中分别使用了A、A-LRN、B、C、D、E这6种网络结构进行测试，这6种网络结构相似，都是由5层卷积层、3层全连接层组成，其中区别在于每个卷积层的子层数量不同，从A至E依次增加（子层数量从1到4），总的网络深度从11层到19层（添加的层以粗体显示），表格中的卷积层参数表示为“conv⟨感受野大小⟩-通道数⟩”，例如con3-128，表示使用3x3的卷积核，通道数为128。为了简洁起见，在表格中不显示ReLU激活功能。

基本了解了VGG的网络配置之后，可以提炼出一些VGG的特点:

1.小卷积核与多卷积子层
一般说到网络深

最低0.47元/天 解锁文章
深度学习研究理解10：Very Deep Convolutional Networks for Large-Scale Image Recognition
whiteinblue的专栏
02-06 2万+
本文是牛津大学 visual geometry group（VGG）Karen Simonyan 和Andrew Zisserman 于14年撰写的论文，主要探讨了深度对于网络的重要性；并建立了一个19层的深度网络获得了很好的结果；在ILSVRC上定位第一，分类第二。 一：摘要 …… 从Alex-net发展而来的网络主要修改一下两个方面： 1，在第一个卷基层层使用更小的filter尺寸和间
【CV论文精读】【VGG】VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION用于大规模图像识别的超深卷积网络
weixin_44184852的博客
02-29 2390
在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献是使用具有非常小（3 × 3）卷积滤波器的架构对深度增加的网络进行全面评估，这表明通过将深度推高到16-19个权重层，可以实现对现有技术配置的显著改进。这些发现是我们提交ImageNet Challenge 2014的基础，我们的团队分别获得了图像定位和分类赛道的第一名和第二名。我们还表明，我们的表示可以很好地推广到其他数据集，在那里它们可以获得最先进的结果。
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
03-01
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章
经典网络结构VGG-net《Very Deep Convolutional Networks for Large-Scale Image Recognition》
女王の专属领地
05-04 1252
论文地址：https://arxiv.org/abs/1409.1556论文翻译：http://blog.youkuaiyun.com/wangsidadehao/article/details/54311282VGG-Net来自牛津大学Andrew Zisserman 教授的组 (Oxford)，在2014年的 ILSVRC localization and classification 两个问题上分别取得...
【5】Very deep convolutional networks for large-scale image recognition.pdf
08-26
accuracy in the large-scale image recognition setting. Our main contribution is a thorough evaluation of networks of increasing depth using an architecture with very small (3×3) convolution filters, ...
vgg论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》笔记记录
最新发布
m0_63161039的博客
04-28 2098
感受野（Receptive Field）指的是卷积神经网络中某一层输出特征图上的一个像素点，在原始输入图像上所对应的区域大小。简单来说，就是该像素点受到原始输入图像中多大范围的信息影响。卷积核个数指的是在卷积层中使用的卷积核的数量。每个卷积核在对输入特征图进行卷积操作时，会提取出不同的特征。卷积核本质上是一个小的矩阵，矩阵中的每个元素都是可学习的参数。其尺寸通常是奇数，例如 3x3、5x5 等，这样可以保证有一个中心位置。
VGGNet：very deep convolutional networks for large-scale image recognition LCLR2015
qq_45844265的博客
01-18 722
下图每一列都是一个模型，本文提出6个网络模型，命名为A、A-LRN、B、C、D、E。如网络A，block1中卷积核大小3，个数64，在block2中卷积核大小不变，个数翻倍128个，在block3中卷积核大小不变，个数在block的基础上又翻倍变成256个，同时卷积层数从1层变成了2层。输入彩色图像信息为224×224×3，block1有64个卷积核，对输入图像做下采样，原图的长宽从224×224缩减为原来的一半，即112×112，但是通道数由64增加一半到128，block2-6依次做类似处理。
VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
长风破浪会有时，直挂云帆济沧海
03-19 5万+
论文理解 - VGGNet - Very Deep Convolutional Networks for Large-Scale Image Recognition [VGG-Paper] [原文地址 - Very deep convolutional networks for large-scale image recognition] 一篇对 VGGNet 理解比较详细的博客，很长...
Very Deep Convolutional Networks for Large-Scale Image Recognition
雨石
10-02 2万+
这篇论文是今年9月份的论文[1]，比较新，其中的观点感觉对卷积神经网络的参数调整大有指导作用，特总结之。关于卷积神经网络(Convolutional Neural Network, CNN)，笔者后会作文阐述之，读者若心急则或可用谷歌百度一下。
【VGG2015】Very Deep Convolutional Networks for Large-Scale Image Recognition
我的博客
10-17 916
在这项工作中，我们研究了卷积网络深度对其在大规模图像识别环境中的准确性的影响。我们的主要贡献是使用一个具有非常小的（3×3）卷积滤波器的架构对深度增加的网络进行了彻底的评估，这表明通过将深度推到16-19个权重层可以实现对先有技术配置的显著改善。这些发现是我们提交ImageNet挑战赛2014的基础，我们的团队分别获得了定位和分类赛道的第一和第二名。我们还表明，我们的表征在其他数据集上有很好的通用性，它们在那里取得了最先进的结果。我们公开了两个表现最好的ConvNet模型，以促进在计算机视觉中使用深度视觉表
Very Deep Convolutional Networks For Large-Scale Image Recognition(VGGnet)
励志的小胡子
03-06 1339
用于大规模图像识别的非常深的卷积神经网络 Abstract(摘要) 在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献使使用非常小()卷积滤波器的架构对越来越深的网络进行全面评估，这表明通过将深度堆到16-19的权重层可以实现对现有技术配置的显著改进。这些发现使我么提交的ImageNet Challe...
VGG——Very Deep Convolutional Networks for Large-Scale Image Recognition
weixin_44853840的博客
05-05 604
目录AbstractquestionmethodanswerIntroductionwhy research？ContributionDetailsArchitectureTrainingTestingConclusion Abstract question 大规模图像识别任务下卷积网络深度对其预测准确率的影响。 method 使用具有非常小的（3×3）卷积滤波器的架构对深度不断递增的网络进行全面评估。 answer 通过将权重层深度推到16-19层可以在现有技术配置下（使准确率）实现显著提升。在Image
论文笔记：Very deep convolutional networks for large-scale image recognition（VGG）
upup
06-05 3465
一、基本信息 标题：Very deep convolutional networks for large-scale image recognition 时间：2014 出版源：arXiv 论文领域：CNN、深度学习 引用格式：Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014. 二、研究背景 在
Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)
小胜爱捣鼓
11-04 3085
一.文献名字和作者     Very Deep Convolutional Networks for Large-Scale Image Recognition. Karen Simonyan,Andrew Zisserman     二.阅读时间     2014年11月4日 三.文献的目的     文献的主要目的在于测试随着深度的加深，卷积神经网络对于大规模
【论文阅读】Very Deep Convolutional Networks For Large-Scale Image Recogniton（VGG）
你的深度学习小站
11-17 822
Very Deep Convolutional Networks For Large-Scale Image Recogniton 1. 摘要 ​ 作者调查了卷积网络深度对其在大规模图像识别的准确率上的影响。 ​ 主要贡献是对网络深度增加进行彻底的评估，用一个具有非常小卷积核的网络结构，展示了一个在现有技术配置上的重大提升，可以通过将深度加至16-19层来达到。 ​ 这些发现是2014年ImagetNetImagetNetImagetNet挑战的基础，作者的团队分别在定位和分类追踪赢得了第一和第二名。 ​
VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition
01-20
### VGG网络架构 VGG网络由牛津大学视觉几何组（Visual Geometry Group）开发，旨在解决大规模图像识别中的挑战[^1]。该网络的特点在于使用非常深的卷积层结构来提取特征。 #### 架构特点 - **多层堆叠**：VGG采用了多个连续的小尺寸（3×3）卷积核进行特征抽取，而不是采用较大尺寸的卷积核。 - **固定步幅和填充方式**：所有的卷积操作都保持相同的步幅（stride=1），并使用零填充使得输入输出具有相同的空间维度。 - **池化层配置**：在网络的不同阶段之后加入最大池化层以减少空间分辨率，从而降低参数数量并控制过拟合风险。 - **全连接层设计**：最后几层通常为全连接层，在分类任务中用于映射到类别标签上；然而现代实现往往省略这些密集层转而使用全局平均池化替代。 具体来说，最著名的两个版本分别是： - **VGG16**：包含13个卷积层以及3个全连接层； - **VGG19**：则进一步扩展到了16个卷积层加3个全连接层。 这种简单却有效的设计方案不仅提高了模型性能，同时也促进了后续研究者对于更深更复杂网络结构探索的热情。 ```python import torch.nn as nn class VGG(nn.Module): def __init__(self, num_classes=1000): super(VGG, self).__init__() # 定义卷积部分 self.features = nn.Sequential( *make_layers([64]*2 + [128]*2 + [256]*3 + [512]*3 + [512]*3)) # 定义分类器部分 (可选) self.classifier = nn.Linear(512*7*7, num_classes) def forward(self, x): out = self.features(x) out = out.view(out.size(0), -1) # 展平处理 out = self.classifier(out) return out def make_layers(cfg): layers = [] in_channels = 3 for v in cfg: if v == 'M': layers += [nn.MaxPool2d(kernel_size=2, stride=2)] else: conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) layers += [conv2d, nn.ReLU(inplace=True)] in_channels = v return nn.Sequential(*layers) ``` ### 应用领域 自发布以来,VGG已被广泛应用于各种计算机视觉任务当中: - 图像分类与目标检测; - 实例分割; - 场景理解; 此外,VGG作为预训练基础模型也被用来迁移学习新数据集上的相似问题求解.
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

中南大学苹果实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值