VGG

最新推荐文章于 2023-02-09 14:08:08 发布
原创 最新推荐文章于 2023-02-09 14:08:08 发布 · 706 阅读 · 1 ·
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：

#神经网络 #深度学习

文章目录


VGG（作者所在的牛津大学视觉几何组Visual Geometry Group的缩写）是 [Very Deep Convolutioinal Networks for Large-Scale Image Recognition]提出的卷积神经网络模型，在2014年ImageNet图像分类与定位挑战赛中，取得了 分类任务第二，定位任务第一的好成绩。

VGG结构

VGG的核心是五组卷积操作，每两组之间做Max-Pooling空间降维。同一组内采用多次连续的3x3卷积，卷积核的数目由较浅组的64增多到最深组的512，同一组内的卷积核数目是一样的。卷积之后接两层全连接层，之后是分类层。由于每组内卷积层的不同，有11/13/16/19层这几种模型。

根据卷积核大小和卷积层数目的不同，VGG分为A、A-LRN、B、C、D、E六种配置，其中D、E两种配置较为常用，分别称为VGG16和VGG19。
在这里插入图片描述

VGG16 特点

  • 13个卷积层均采用相同的卷积核参数（kernel_size=3，stride=1，padding=1），每一个卷积层与前一层保持相同的宽和高。
  • 5个池化层均采用相同的池化核参数（kernel_size=（2,2）， stride=（2,2））和max池化方式。使每一个池化层的宽和高是前一层的1/2。
  • 3个全连接层。

在这里插入图片描述

块结构

VGG16的卷积层划分为不同的块（block），每一个块内包含若干个卷积层和一个池化层，并且同一块内，卷积层的通道（channel）数是相同的。随着层数的增加，后一个块比前一个块通道数翻倍，由64依次增加到128，再到256，直至512保持不变。相应的高和宽减半，由224->112->56->28->14->7。

在这里插入图片描述

权重参数

卷积层和全连接层具有权重系数，被称为权重层，池化层不涉及权重，不属于权重层。尽管VGG16结构简单，但是所包含的权重数目却很大（138357544个参数）。

  • 卷积层参数计算：kernel_sizekernel_sizeinput_channel*output_channel
  • 全连接层权重参数计算：前一层节点数*本层的节点数

图中蓝色是计算权重参数数量的部分，红色是计算所需存储容量部分。
在这里插入图片描述
VGG16具有很高的拟合能力，但是参数数量较多，需要的存储容量大，不利于部署。训练时间过长，调参难度大。

参考资料
VGG16学习笔记

经典网络架构学习-VGG
一璐有你的专栏
07-14 4626
本篇博文将介绍一下在ImageNet 2014 年斩获目标定位竞赛的第一名，图像分类竞赛的第二名的网络结构VGG。VGG 是 Visual Geometry Group 的缩写，是这个网络创建者的队名，作者来自牛津大学.VGG论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》作为一篇会议论文在2015年的ICLR大会上发表Visual Geometry Group实验室链接：https://www.robots.ox.
【深度学习】经典神经网络 VGG 论文解读
热门推荐
frank 的专栏
11-06 2万+
VGG 在深度学习领域中非常有名，很多人 fine-tune 的时候都是下载 VGG 的预训练过的权重模型，然后在次基础上进行迁移学习。VGG 是 ImageNet 2014 年目标定位竞赛的第一名，图像分类竞赛的第二名，需要注意的是，图像分类竞赛的第一名是大名鼎鼎的 GoogLeNet，那么为什么人们更愿意使用第二名的 VGG 呢？ 因为 VGG 够简单 VGG 是 Visual Geometr...
VGG理论概述，torch，tensorflow代码实现
shuai_yue的博客
06-16 1531
vggnet AlexNet 在 2012 年发表之后，研究界对这个模型做了很多改进工作，使得这个模型得到了不断优化，特别是在 ImageNet 上的表现获得了显著提升。针对 AlexNet 模型的两个重要改进，分别是 VGG 和 GoogleNet。 4.1 VGGNet名称由来及作者介绍 论文题目是《用于大规模图像识别的深度卷积网络》（Very Deep Convolutional Networks for Large-Scale Image Recognition）[1]。这篇文章的作者都来自于英国牛
VGG-2014
mike112223的博客
11-03 1261
https://arxiv.org/pdf/1409.1556.pdf VGG-2014 ConvNet configurations Architecture 输入图像大小224x224。 唯一的数据预处理，是图像均值化（subtract the mean RGB value）。 图像经过一堆卷积层，使用3x3的卷积核（最小规格的卷积核来表征所谓左右，上下，中间）。只有一种网...
VGG16工具包 for MATLAB - 深度学习解决方案
10-09
VGG16工具包.7z 是一个专为MATLAB用户设计的深度学习资源文件，特别聚焦于著名的VGG16模型的应用。这个工具包旨在简化深度学习过程，特别是对于那些希望在MATLAB环境中利用预先训练好的VGG16模型进行图像识别和处理...
VGG-11、VGG-16、VGG-19 Pytorch算法复现
03-04
VGG是一种经典的卷积神经网络架构，由牛津大学的研究团队提出。它在2014年的ImageNet图像分类挑战中取得了很好的成绩，成为了当时最先进的模型之一。VGG的主要特点是使用了非常小的卷积核（3x3）和深层网络结构，...
VGG-16 模型代码实现
01-27
VGG-16模型是一种在深度学习和计算机视觉领域非常著名和广泛使用的卷积神经网络架构。它由牛津大学的视觉几何组（Visual Geometry Group）提出，并在2014年ILSVRC比赛中获得了优异的成绩。VGG-16在图像分类、特征...
vgg19-dcbb9e9d.pth
01-02
VGG19模型是深度学习领域的一个重要模型，它由牛津大学的视觉几何组（Visual Geometry Group）提出。VGG19属于卷积神经网络（CNN）的一种，具有19层网络结构，因其在图像识别任务中的卓越性能而被广泛关注。该模型...
VGG16_vgg16代码_VGG16_vgg16代码详解_
09-29
VGG16是一种深度卷积神经网络（Deep Convolutional Neural Network, DCNN），由英国牛津大学的Visual Geometry Group（VGG）在2014年的ImageNet竞赛中提出。该模型以其深且窄的架构闻名，拥有16个处理层，其中13层是...
VGG-Face Pytorch版模型
04-02
博客地址：https://blog.youkuaiyun.com/wen_fei/article/details/80261047 VGG-Face模型Pytorch版本，使用Pytorch的torch.load(VGG_FACE_LOCATION)可直接读取，基于千万张人脸数据训练，
计算机视觉经典论文阅读系列1--VGG
Arlenegogogo的博客
02-09 293
计算机视觉经典论文阅读系列1-VGG
VGG网络
qq_45786156的博客
06-27 1315
VGG与AlexNet的区别 VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。 简单来说，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
VGG论文精读笔记
HC_DATA的博客
11-14 806
文章简介 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 该文章介绍了基于深度卷积神经网络的大规模图像分类(经典网络)，验证了卷积神经网络的深度对大规模图像分类准确率的影响。 作者：Karen Simonyan & Andrew Zisserman 单位：牛津大学(Visual Geometry Grou...
论文阅读笔记：VGG：Very Deep Convolutional Networks
ProYH
01-28 604
论文阅读笔记：Very Deep Convolutional Networks for Large-Scale Image Recognition论文下载地址：Very Deep Convolutional Networks for Large-Scale Image Recognition本文主要包含如下内容：论文阅读笔记Very Deep Convolutional Networks for L
VGG 网络详解
qq_52053775的博客
04-27 5411
1.网络概述 在网络深度与网络性能的关系上，牛津大学视觉几何团队提出了一种深层次且性能良好的网络模型，即VGG网络模型。VGG很好地继承了AlexNet的衣钵，同时拥有着鲜明的特点，即网络层次较深。 牛津大学视觉几何团队在ILSVRC2014上提出了VGGNet。VGGNet的网络结构简单、规整且高效。VGGNet较为典型的网络结构主要有VGG16和VGG19，本节主要介绍VGG16，其网络结构如表5-1所示。 VGGNet对输入图像的默认大小是224×224×3。从表5-1中可以看出，VGG16指该网.
CNN模型之VGG总结
Less is More
01-19 747
背景 VGG是Oxford的VisualGeometryGroup的组 VGG16论文：https://arxiv.org/abs/1409.1556 原理 源码
vGG
最新发布
11-21
VGG（Visual Geometry Group）是由牛津大学视觉几何组提出的一系列深度卷积神经网络模型，广泛应用于计算机视觉任务中。这些模型因在2014年ImageNet大规模视觉识别挑战赛（ILSVRC）中的优异表现而闻名。最著名的变体是VGG-16和VGG-19，分别包含16层和19层网络结构。 VGG网络的核心特点是使用连续的小型3×3卷积核堆叠来替代大型卷积核（如5×5或7×7），通过增加网络深度提升特征提取能力。这种设计不仅增强了非线性表达能力，还减少了参数数量并提高了泛化性能。 网络结构通常由多个卷积层块组成，每个块后接最大池化层进行下采样。以VGG-16为例，其结构如下： - 输入图像尺寸为 $224 \times 224 \times 3$ - 包含5个卷积块： - 第一卷积块：2个 $3\times3$ 卷积层，64个滤波器 - 第二卷积块：2个 $3\times3$ 卷积层，128个滤波器 - 第三卷积块：3个 $3\times3$ 卷积层，256个滤波器 - 第四卷积块：3个 $3\times3$ 卷积层，512个滤波器 - 第五卷积块：3个 $3\times3$ 卷积层，512个滤波器 - 每个卷积块后接一个 $2\times2$ 最大池化层（步幅为2） - 全连接层部分： - 两个含4096个神经元的全连接层 - 一个输出类别数的全连接层（如ImageNet中为1000类） - 使用ReLU激活函数 该网络可通过预训练权重加载，在迁移学习中常用于图像分类、目标检测和语义分割等任务。例如，在Keras中调用VGG-16预训练模型的方法如下： ```python from tensorflow.keras.applications import VGG16 model = VGG16(weights='imagenet', include_top=True, input_shape=(224, 224, 3)) ``` 若用于迁移学习，可移除顶层并添加自定义分类头： ```python base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) base_model.trainable = False from tensorflow.keras.layers import GlobalAveragePooling2D, Dense from tensorflow.keras.models import Sequential model = Sequential([ base_model, GlobalAveragePooling2D(), Dense(256, activation='relu'), Dense(num_classes, activation='softmax') ]) ``` 由于VGG网络参数量较大（VGG-16约有1.38亿参数），推理速度较慢且占用内存高，后续被ResNet、MobileNet等更高效的架构所取代，但在教学与研究中仍具有重要地位。
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