VGG(2014)，3x3卷积的胜利

深度解析：VGG网络中的3x3卷积优势
最新推荐文章于 2025-04-11 18:34:15 发布
原创 最新推荐文章于 2025-04-11 18:34:15 发布 · 815 阅读 · 2 ·
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。

VGG14论文探讨了网络深度对性能的重要性，提出使用多个3x3卷积层替代大卷积核，减少参数量。通过实验，证明了深度增加、多尺度训练和测试能提升性能。VGG16和VGG19表现接近，且LRN层在实验中并未带来显著改善。

文章目录


博客： blog.shinelee.me | 博客园 | 优快云

写在前面

VGG(2014)网络出自paper《Very Deep Convolutional Networks for Large-Scale Image Recognition》，为ILSVRC2014 localization冠军和classification亚军方法（冠军为GoogLeNet），首次提交arXiv时间为2014年9月，后发表在ICLR2015，截止20191011引用量达27612。因为出自牛津大学Visual Geometry Group，所以网络被命名为VGG，根据层数不同，又分为VGG16、VGG19等。

VGG citations

论文的主要贡献：

  • 探究了网络深度对性能的影响，通过叠加卷积层来增加深度，性能变好——“Our results yet again confirm the importance of depth in visual representations”。
  • 只使用 3 × 3 3\times 3 3×3的卷积核，通过多个 3 × 3 3 \times 3 3×3卷积层叠加来获得与大卷积核相同的感受野，同时引入更多的非线性，减少了参数。若有 C C C个channel，3个 3 × 3 3\times 3 3×3的卷积层参数量为 3 ( 3 2 C 2 ) = 27 C 2 3(3^2C^2)=27C^2 3(32C2)=
最低0.47元/天 解锁文章
大话CNN经典模型：VGGNet
qq_33287871的博客
10-04 356
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）和定位项目的第一名。 VGGNet探索了卷积神经网络的深度与其性能之间的关系，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，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常.
VGG使用3*3小滤波器卷积层代替5*5或7*7的大滤波器卷积层以减少参数。
qq_45887419的博客
12-10 3474
首先从卷积计算原理着手，一个5*5的输入，经过一个3*3的滤波器滑动9次，输出一个3*3的数据。输出数据的每个元素都对应5*5的9个窗口，再在输出的3*3数据上使用一个3*3的滤波器，可以得到一个数据，对应的是上一个3*3数据。可见，最后得到的数据是两次观察5*5数据得到的，与用5*5的滤波器观察一次数据可以到达到同样的效果。 VGG就使用此思想，用小滤波器卷积层代替大滤波器卷积层，那为什么这样会减少参数量呢？ 原文如下： 为了便于理解，用代表输入通道数，代表输出通道数。输入通道数和滤波器通道数相
3×3卷积
最新发布
weixin_51298205的博客
04-11 1485
特征图尺寸为（高度×宽度×通道数）。
【深度学习基础知识 - 19】VGG为什么使用3x3的卷积核
yanyuxiangtoday的博客
08-20 2613
VGG为什么选择3x3的卷积核，这个问题是算法面试的高频问题。 因为通过串联两个3x3的卷积核可以达到5x5卷积核的感受野，同时降低了模型的参数量。并且多个3x3卷积核的串联有更多的激活函数，有更强的非线性表达能力。 ...
3*3卷积+1*3卷积+3*1卷积=白给的精度提升
喜欢打酱油的老鸟
12-02 9620
2019-11-28 04:33:41 作者 | BBuf 编辑 | 唐里 ICCV2019: 通过非对称卷积块增强CNN的核骨架 下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：http...
分类神经网络1：VGGNet模型复现
悠眠小虫的博客
04-21 1527
通常来说，增加网络的深度可以增加模型的表示能力，使其能够学习到更复杂的特征和模式，从而在某些任务上取得更好的性能。然而，随着网络深度的增加，模型的参数数量也会增加，导致模型的复杂度增加，训练和推理的计算成本也会增加，同时可能会增加过拟合的风险。其负责捕获数据的有用信息，一般是通过堆叠多个卷积层和池化层来实现的，这些层有助于检测图像中的边缘、纹理和特征。这只是一个网络架构部分实现代码，其中 cfg 列表是 VGG 卷积和池化后的通道数，大家可以结合 VGG 的配置信息图一起对比理解。希望对大家有所帮助呀！
VGGNet详细笔记
weixin_45118895的博客
12-12 1116
VGGNet 背景： VGG是Oxford的Visual Geometry Group提出的，也是VGGNet名字的由来。 该网络在ILSVRC-2014（ImageNet Large Scale Visual Recognition Challenge）中定位任务冠军和分类任务亚军（冠军是GooLeNet）。 主要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。 VGG亮点： 所有卷积层都用了3×33 \times 33×3的卷积核，并且通过堆叠多个3×33\times33×3的卷积核来替代大尺
[3] 卷积神经网络CNN 斯坦福教程
10-20 3315
卷积神经网络 CNNs ConvNets 卷积网络结构 卷积网络的层结构 卷积层 局部连接 步长 和 Padding 参数共享 下采样层 归一化层 全连接层 全连接层 - 成卷积层 卷积神经网络的结构 层的排列规律 层的尺寸设置规律 网络案例 计算上应注意的地方卷积神经网络 (CNNs / ConvNets)卷积神经网络和上一章讲的常规神经网络非常相似：它们都是由神经元组成，神经元中有具有学习能力
卷积核大小选择的艺术：3x3 vs 5x5 vs 7x7，性能与精度的极限权衡（附实验数据）
[卷积核大小选择的艺术：3x3 vs 5x5 vs 7x7，性能与精度的极限权衡（附实验数据）](http://portail.lyc-la-martiniere-diderot.ac-lyon.fr/srv20/html/imageHTML/images/convolution.png) # 1. 卷积神经网络中的卷积...
3x3 Convolution
weixin_42482617的博客
09-20 750
3x3 Convolution 题目链接 题意： 见题目。 思路： 发现规律，当K’矩阵中，若有多个元素，则K矩阵中的元素为分数，则当进行多次操作后，最终的矩阵C全为0。当K’矩阵中只有一个元素，则即是将某个元素替换。当若是在原位置替换则矩阵C不变，此时K‘元素中当且仅当i=1，j=1处元素不为0；若是不同位置替换，则经过数次替换，矩阵全为0。 判断，K’矩阵中当且仅当位置（1，1）非0即可。 AC代码： #include<bits/stdc++.h> #define INF 0x3f3f3f3
3X3高斯滤波，模糊等图像处理
01-22
3X3高斯滤波，高斯模糊，及简单的应用程序实现。完整程序，。。。。。。。
2020ccpc网络赛 1011-3x3 Convolution
众人皆醒 我独醉
09-20 493
Problem Description Given an n×n matrix A and a 3×3 matrix K. These two matrices are very special : they are both non-negative matrices and the sum of all elements in matrix K is 1 (In order to avoid floating-point error, we will give matrix K in a special
FPGA图像处理-3x3卷积模板
fpga学就完事了
05-31 8756
3x3卷积是FPGA图像处理中很重要的一个概念，本文介绍使用行缓存实现3x3卷积模板，并编写testbench对其进行仿真，对波形进行分析。
【CV】VGG卷积核为什么取3*3 ？ VGG使用3*3卷积核的优势是什么?
学无止境、积少成多、厚积薄发
06-01 2664
在VGG中，使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。 比如，3个步长为1的3x3卷积核的一层层叠加作用可看成一个大小为7的感受野（其实就表示3个3x3连续卷积相当于一个7x7卷积），其参数总量为 3x(9xC^2) ，如果直接使用7x7卷积核，其参数总量为 49xC^2 ，这里 C 指的是输入和输出的通道数。很明显，27xC2小于49xC2，即减少了参数；而且3x3
2020 CCPC网络选拔赛 3x3 Convolution
嘘...一只bug
09-21 323
题意 这个题我估计很多人都是卡到题意上了，妈的，公式一大堆。给一个N*N的矩阵和3∗33*33∗3的矩阵，起初给的3∗33*33∗3矩阵是K’，要想转换为K，只需将对应元素/矩阵元素的总和。定义矩阵 C(A,K)=C(C[A][K],K)C(A,K)=C(C[A][K],K)C(A,K)=C(C[A][K],K) C[A][K]C[A][K]C[A][K]是这样计算的：以A[i][j]A[i][j]A[i][j]作为3∗33*33∗3矩阵的左上角，往右下扩展成3∗33*33∗3的一个矩阵，如果出边界了，默.
为什么要用3x3卷积？偶数卷积核其实表现更强
小白学视觉
08-12 5229
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：AI科技评论作者 | BBuf编辑 |唐里下面要介绍的论文发于NeurlPS2019，题为「Convolution with even-sized kernels and symmetric padding」，axriv地址为：https://arxiv.org/abs/1903.08385。...
某些场景下采用3x3的卷积or5x5的卷积
qq_38883271的博客
05-06 484
假设我们要进行一次卷积操作，输入feature maps的channel为64，输出feature maps的channel也要为64，那么对于555×\times×555和333×\times×333的卷积尺寸该怎么选择呢？答案如下图所示： 即选择333×\times×333的卷积核对输入的feature maps做两次卷积而非用555×\times×555的卷积核对输入的feature maps做一次卷积。这样做的主要区别在于两点：1.参数量；2.感受野。 kernel size recept
卷积神经网络（三）
lipengfei0427的博客
09-01 3390
六、三维卷积 在经历了二维灰度图的卷积操作之后，如何进行三维卷积（RGB图像）呢？我们一起来看下！ 首先我们还是给出一个6*6的图像，不过因为有RGB三个通道，所以图像变成了6*6*3。同样的，在二维灰度图中3*3的卷积核也要相应的更改为3*3*3的卷积核。我们将表达式写出如下： 最终给出的结果是4*4*1的图像（注意不是4*4*3的图像）。 ...
【各种卷积公式】
weixin_44883789的博客
08-15 2353
卷积的通道越多，提取特征图的信息越多，但不是越多越好。：卷积之后特征图的通道数和尺寸不变是为了。其中，经过卷积后特征图的。
3x3卷积
03-13
好的，我需要回答用户关于深度学习和图像处理中3x3卷积的问题。首先，我应该先回顾一下卷积的基本概念，特别是3x3卷积核的应用。用户可能想了解为什么3x3这么常见，有什么优势，以及具体的应用场景。 根据系统指令...
评论
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
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