VGGNet：very deep convolutional networks for large-scale image recognition LCLR2015

原创 已于 2024-01-18 23:56:52 修改 · 749 阅读 · 9 ·
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：

#计算机视觉 #python #图像处理 #目标检测

于 2024-01-18 23:51:51 首次发布

文章信息
题目：VGGNet：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION (ICLR2015)
原文：https://paperswithcode.com/paper/very-deep-convolutional-networks-for-large
数据集：ILSVRC 2012
一、简述
  这篇文章是以比赛为目的——解决ImageNet中的1000类图像分类和 localization。作者团队对当时的卷积网络进行改进（仅改变深度），即通过固定除深度以外的参数和对网络的每个层加入3×3的卷积滤波器来增加网络层数（改变深度）。本文提出16和19层的VGGNet效果最好，即VGG16、VGG19。VGG网络是传统卷积网络在深度上所能达到的极致。

二、网络模块
  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。其中模型D和E就是所说的VGG16和VGG19。每一个模型都分为5个block，且卷积核都为3×3大小，随着模型变深，卷积核大小不变，但个数增加，通道数也会相应修改。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。A-LRN表示在网络A的基础上加入了LRN层，但在VGG中对A加入LRN层作用不大。
  输入3通道的224×224的RGB彩色图像，经过VGG网络的处理，得到1000个类别的后验概率，softmax将这1000个后验概率归一化，选择其中最大的概率作为图像预测的结果。实验表明VGG16和VGG19网络效果最好。
在这里插入图片描述

最低0.47元/天 解锁文章
【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 2418
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。
Backbone-VGG[ICLR2015] Very Deep Convolutional Networks for Large-Scale Image Recognition
Bolly_He的博客
04-07 3452
最近决定精度一下经典CNN网络，很多都是一直用封装的又比较好所以泛读的较多。这是第一篇大名鼎鼎的VGG 论文连接：https://arxiv.org/abs/1409.1556 摘要 主要贡献：使用（3*3）小卷积核，对网络深度的增加进行全面评估，增加网络层数到16或19层，网络表现出了一个显著的效果提升。在ImageNet2014挑战中，检测和分类任务中各自取得了第一和第二的成绩。 1 引言 近来卷积网络已经在大规模图片和视频识别方向上取得了很大的成功，高性能的计算体系，如GPU或大规模分布式的
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
VGGNet：Very Deep Convolutional Networks for Large-Scale Image Recognition
Indus_permanent的博客
06-03 561
1 Introduction2 ConvNet Configurations2.1 Architecture2.2 Configutations2.3 Discussion3 Classification Framework3.1 Training3.2 Testing3.3 Implementation Details4 Classification Experiments4.1 Single ...
【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, ...
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition
qq_39109729的博客
10-01 910
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，
（VGG）Very Deep Convolutional Networks for Large-Scale Image Recognition
椰子奶糖的博客
07-12 756
Very Deep Convolutional Networks for Large-Scale Image Recognition 文章目录Very Deep Convolutional Networks for Large-Scale Image Recognition参考IntroductionConvNet ConfigurationsArchitectureConfigurationsDiscussionClassification FrameworkTraining（参考VGGNet 阅读理解，
【VGG2015】Very Deep Convolutional Networks for Large-Scale Image Recognition
我的博客
10-17 938
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
VGG——Very Deep Convolutional Networks for Large-Scale Image Recognition
weixin_44853840的博客
05-05 609
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
【翻译】【VGGNet】VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
jokerwu192的博客
07-25 486
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2014年ImageNet挑战赛的基础，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。1模型，以促进进一步的研究。本文的其余部分组织如下。...
(3) [ICLR15] Very deep convolutional networks for large-scale image recognition
gdtop的个人笔记
02-24 6369
计划完成深度学习入门的126篇论文第三篇，来自Oxford的Karen Simonyan 教授在ILSVRC比赛上取得冠军后的论文，同时也是2015年ICLR上发表的论文。同时作者本人也强调本篇是继12年Deep Convolutional Neural Networks的深入研究。 摘要Abstract         在本文中，我们研究了卷积网络深度在大尺度图像识别设置中对其准确率的影响。...
Very Deep Convolutional Networks for Large-Scale Image Recognition
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
05-23 763
《Very Deep Convolutional Networks for Large-Scale Image Recognition》 arXiv：https://arxiv.org/abs/1409.1556 intro：ICLR 2015 homepage：http://www.robots.ox.ac.uk/~vgg/research/very_deep/ VGG是Oxford的Visual Geometry Group的组提出的（大家应该能看出VGG名字的由来了）。该网络是在ILSVRC 2014
论文阅读笔记四十一：Very Deep Convolutional Networks For Large-Scale Image Recongnition（VGG ICLR2015）...
weixin_34112900的博客
01-21 649
论文原址：https://arxiv.org/abs/1409.1556 代码原址：https://github.com/machrisaa/tensorflow-vgg 摘要 本文主要分析卷积网络的深度对基于大数据集分类任务中准确率的影响，本文使用较小的卷积核（3x3）， 应用至较深的网络中并进行评估，将网络中的深度增加至16至19层，可以有效改进分类效果。 ...
VGG - Very Deep Convolutional Networks for Large-Scale Image Recognition
AI小作坊 的博客
11-29 1006
Very Deep Convolutional Networks for Large-Scale Image RecognitionICLR 2015 (oral) http://www.robots.ox.ac.uk/~vgg/research/very_deep/本文针对 AlexNet 的改进主要集中在 网络的深度， depth。通过固定其他网络的结构和参数，来增加网络的深度（通过使用3*3的
VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
u013087645的专栏
05-04 1037
论文地址：点击打开链接 翻译地址：点击打开链接 代码以及一些注释地址：点击打开链接 网络模型图： 训练集预处理： 1.S即裁剪后的图片长度有：256和384 ，选其中一个把短边压缩到s然后用是s*s的框随机裁剪 2.s是裁剪后的图片长度在【256，512】之间，如果要裁剪的图片的长度不在范围内则进行裁剪，如果在范围内，则随机取一...
Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)
小胜爱捣鼓
11-04 3092
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
VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition
最新发布
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
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
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