【论问阅读】VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

最新推荐文章于 2025-05-23 16:36:35 发布
最新推荐文章于 2025-05-23 16:36:35 发布
阅读量414 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 深度学习 计算机视觉 文章标签： vgg 深度学习 cnn
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。
本文链接：https://blog.youkuaiyun.com/github_36923418/article/details/92770603
文章介绍了VGG网络相关内容，包括探索更深网络、小卷积核3x3及训练与测试比对。VGG有多个版本，小网络方便实验且可作大网络预训练模型。采用多个“3x3”矫正层增强区分性，参数初始化重要，还对尺度和测试做了详细实验。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、

    这篇文章，论文写的读起来很舒服，实验做的非常细，以前一直没看，看了之后发现，现在用的很多方法，都是人家玩剩下的。

二、主要内容

       探索更深的网络、探索小卷积核3x3、探索比对训练与测试

三、VGG主要架构

                                               

    基本上我们只知道VGG有两个模型，16层和19层。但是其实人家还是有很多的版本的，这些版本的存在主要有两个作用：

    1、作者实验方便，利用小网络可以做更多的实验

    2、小网络作为大网络的pre-trained model 部分参数（作者也提到了，其实不一定非要pre train，原话“e biases were initialised with zero. It is worth noting that after the paper submission we found that it is possible to initialise the weights without pre-training by using the random initialisation procedure of Glorot & Bengio (2010)”）

    3、在这篇文章之前的，文章种大多数都会采用大卷积核“11x11、7x7” 也会用比较大的stride “4，2”，作者采用多个“3x3”的矫正层作为组合，为了让这个“层-决策函数”更加的有区分性

    4、参数的初始化非常重要，比较深的网络在本文种都是采用前一个比较小的网络作为pre - trained model，最小的那个网络就是全部都是随机初始化的了，“不好的初始化方法，会导致深度梯度的不稳定，从而停止训练”。For random initialisation (where applicable), we sampled the weights from a normal distribution with the zero mean and 10−2 variance. The biases were initialised with zero.

   5、对于尺度作者也做了详细的实验：

         i、先用single scale训练小尺度

         ii、大尺度基于小尺度预训练，可以提高收敛速度

        iii、随机多尺度增广训练方案，也是先基于大单尺度预训练

   6、对于测试，也有很多细节性实验

      i、多剪裁融合

     ii、多尺度融合

    iii、不同网络模型的ensemble融合

    iiii、单尺度测试

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
VGGNet：very deep convolutional networks for large-scale image recognition LCLR2015
qq_45844265的博客
01-18 657
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。
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 1109
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...
VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition
最新发布
weixin_44245188的博客
05-23 564
in_channels = 3 # 初始输入通道数，RGB 3通道if v == ‘M’: # 最大池化层else: # 卷积层in_channels = v # 更新下一层卷积输入通道数return nn.Sequential(*layers) # * 为解包操作# 通过初始化参数features，可以传入不同VGG模型的特征提取部分definitinit()
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 这篇论文
weixin_33937778的博客
12-29 108
由Andrew Zisserman 教授主导的 VGG 的 ILSVRC 的大赛中的卷积神经网络取得了很好的成绩，这篇文章详细说明了网络相关事宜。 文章主要干了点什么事呢？它就是在在用卷积神经网络下，在采用小的卷积核与小的移动步长的情况下，探索一下网络的深度对目标识别率的影响。   网络的大体结构 网络的输入为224*224的RGB图片，后面跟卷积层，卷积核的大小基本都为3*3有最小的可以保留图片...
【VGG2015】Very Deep Convolutional Networks for Large-Scale Image Recognition
我的博客
10-17 864
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
论文笔记：Very deep convolutional networks for large-scale image recognition（VGG）
upup
06-05 3355
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
【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, ...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
03-01
这篇文章的标题为“VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION”，主要讨论了在大规模图像识别中，卷积神经网络（ConvNets）深度对准确率的影响。文章的核心贡献是对不同深度的网络进行了...
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition
qq_39109729的博客
10-01 882
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition 1、摘要 ​ 在这篇论文中，作者对卷积神经网络的深度对于其在大规模图像数据集的识别的准确性做了一个完全的评估，特点在于将CNN的网络深度提升到了16-19层，提升了大规模图像的识别准确性；同时有证明了VGG在深度视觉表征中具有较强的泛化能力。 2、引言 ​ 引言部分作者总结了自AlexNet以来CNN在大规模图像识别中的广泛应用，
【论文阅读】Very deep convolutional networks for large-scale image recognition
MoFMan的博客
07-08 825
【论文阅读】Very deep convolutional networks for large-scale image recognition
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。
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...
论文笔记：Very Deep Convolutional Networks for Large-Scale Image Recognition
qq_43409114的博客
05-30 464
前言 论文：Very Deep Convolutional Networks for Large-Scale Image Recognition 一、INTRODUCTION 作者在这篇论文中提出了如何解决卷积网络深度的问题。作者先是固定好模型的其他部分参数，然后通过增加一些卷积层来逐渐增大网络的深度，而且作者的卷积层使用的是非常小的卷积核 In this paper, we address another important aspect of ConvNet architecture design
VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION译文
小时候贼聪明
03-12 2万+
仅供参考，如有翻译不到位的地方敬请指出。论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition译文地址：http://blog.youkuaiyun.com/wspba/article/details/61625387
【论文阅读】Very Deep Convolutional Networks For Large-Scale Image Recogniton（VGG）
你的深度学习小站
11-17 795
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。 ​
经典网络分析 - Very Deep Convolutional Networks for Large-Scale Image Recognition(VGG)
InSun的专栏
04-12 462
经典网络分析 - VGG 论文概述 AlexNet在ILSVRC-2010取得了成功后，人们便尝试通过对AlexNet进行改进，以便取得更好的效果，主要是从两个方面出发： a. 更小的感受野（卷积核） + 更小的步长 b. Densely Network + 多尺度的训练和多尺度预测 而作者主要关注点是深度对网络的影响。 VGG使用3*3的卷积的堆叠，通过一系列的实验和比较验证了通过提高深度从而使...
论文学习：（VGG）Very Deep Convolutional Networks for Large-scale Image Recognition
qq_36627158的博客
12-11 919
目录 感想 论文链接 文章讲解 网络结构 感想 这篇文章在网络结构上没有太大的创新点。但提出了 “ small filter 同样能提取重要特征” 和 “deep network 的重要性”。 论文链接 Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556...
Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)
小胜爱捣鼓
11-04 3058
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
Very deep convolutional networks for large-scale image recognition.
02-28
### 深度卷积网络在大规模图像识别中的应用 对于大规模图像识别而言，深度卷积神经网络（DCNNs）扮演着至关重要的角色。研究表明，在保持其他参数不变的情况下，增加网络的深度能够显著提升模型性能[^1]。 #### VGGNet 架构特点 具体来说，VGGNet 使用了非常小的 \(3 \times 3\) 卷积核，并通过堆叠多层这样的卷积操作来构建更深的网络结构。这种设计不仅使得网络可以学习更加复杂的特征表示，而且有助于缓解梯度消失问题，从而支持更深层次的学习过程[^2]。 ```python import torch.nn as nn class VGG(nn.Module): def __init__(self, num_classes=1000): super(VGG, self).__init__() # 定义基础卷积模块 cfg = { 'A': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], ... } layers = [] in_channels = 3 for v in cfg['D']: # 这里以VGG16为例 ('D' 表示16层版本) 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 self.features = nn.Sequential(*layers) classifier = [ nn.Linear(512 * 7 * 7, 4096), nn.ReLU(True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(True), nn.Dropout(), nn.Linear(4096, num_classes), ] self.classifier = nn.Sequential(*classifier) def forward(self, x): x = self.features(x) x = x.view(x.size(0), -1) x = self.classifier(x) return x ``` 该代码片段展示了如何定义一个类似于VGG16的基础架构，其中包含了多个\(3\times3\)的小型卷积层以及最大池化层(Max Pooling)，最终连接全连接层完成分类任务。 #### 实验验证与结论 实验结果显示，当网络深度被推进至16-19个权重层时，可以在ILSVRC 2012数据集上取得优异的成绩，证明了加深网络的有效性[^3]。此外，尽管增加了更多层次，但由于采用了相对较少数量的通道数（channel count），整个系统的计算复杂度并未大幅上升，这为实际部署提供了便利条件[^4]。
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