3、计算机视觉中的深度学习模型与技术

计算机视觉中的深度学习模型与技术

1. 经典卷积神经网络架构

在计算机视觉领域，有几种经典的卷积神经网络（CNN）架构发挥着重要作用。

1.1 VGG

VGG 架构于 2015 年发布，是对传统 CNN 架构的重大改进。它的结构如图 1 - 18 所示，包含 conv 1 到 conv 5 五个卷积块，每个卷积块使用 ReLU 激活函数，之后是最大池化层，最后连接 FC 6、FC 7 和 FC 8 全连接网络。

VGG 采用了 3x3 和 1x1 卷积核的组合。堆叠三个 3x3 卷积核比使用一个 7x7 卷积核在参数数量上更有优势。假设通道数为 C，3x3 卷积核的参数数量为 27C²，而 7x7 卷积核则为 49C²。虽然三个 3x3 卷积核堆叠后的感受野与一个 7x7 卷积核相同，但它具有更多自适应的卷积功能。

在模型结构上，VGG 遵循卷积块架构，有五个卷积块。随着特征图尺寸的减小，信息损失被控制在最小。每个卷积块之后的最大池化层用于减小特征图的维度。1x1 卷积起到混合特征图中所有特征的作用，可作为 z 轴降维技术，也可用于增加通道数，但实际中较少使用。

架构特点	描述
卷积块	5 个，使用 ReLU 激活
池化	最大池化
卷积核	3x3 和 1x