本文详细介绍了VGG16网络结构，重点探讨了使用3*3小卷积核如何增加深度并提升性能。VGG16包含13个卷积层和3个全连接层，其设计原则是小卷积核、固定尺寸输入和逐步增加通道数。通过对比，解释了为何使用多个3*3卷积层优于大尺寸卷积层，并分析了参数量的减少。文章还讨论了网络配置和全连接层的参数计算。
VGG16论文链接： https://arxiv.org/abs/1409.1556 收录于ICLR2015
网络结构和配置：
作者在这篇论文中主要探讨的是使用非常小的卷积核（3*3）来增加卷积神经网络的深度对于性能有很大的提升。如Table 1所示，作者设置了A-E五种卷积神经网络配置来探讨深度对于性能的影响。结构D和E就是我们熟知的VGG16(13个卷积层+3个全连接层)和VGG19(16个卷积层+3个全连接层)。PS：层数是没有包含maxpool的
这些网络都遵循一种通用的设计，输入到网络的是一个固定大小的224*224的RGB图像，所做的唯一预处理是从每个像素减去基于训练集的平均RGB值。图像通过一系列的卷积层时，全部使用3*3大小的卷积核。只有在配置C中，作者使用了1*1的卷积核，这可以被看作是输入通道的线性映射(接着是非线性)。卷积的步长均为1，padding也为1。每个网络配置都是5个最大池化层，最大池化的窗口大小为2*2，步长为2。
卷积层之后是三个完全连接(FC)层:前两层有4096个通道，第三个层执行的是1000路ILSVRC分类，因此包含1000个通道(每个类一个)。最后一层是softmax层。在A-E所有网络
最低0.47元/天 解锁文章
扫一扫
981
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
