VGG

作者: Glenn_ | 来源:发表于2018-10-28 21:39 被阅读0次

VGG

VGG

从图中可以看出VGG结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用max-pooling(最大池化)分开,所有隐层的激活单元都采用ReLU函数。VGG最大的贡献就是证明了卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。

卷积层部分尺度没有变化(3*3的卷积核,stride为1,padding为1),只有通过max pooling层时尺度缩小一倍(2*2,stride为2)。

作者认为两个3x3的卷积堆叠获得的感受野大小,相当一个5x5的卷积;而3个3x3卷积的堆叠获取到的感受野相当于一个7x7的卷积。这样可以增加非线性映射,也能很好地减少参数(例如7x7的参数为49个,而3个3x3的参数为27)。

VGG11-VGG19结构图

以网络结构D(VGG16)为例,介绍其各层的处理过程如下:

1、输入224x224x3的图片,经64个3x3的卷积核作两次卷积+ReLU,卷积后的尺寸变为224x224x64

2、作max pooling(最大化池化),池化单元尺寸为2x2(效果为图像尺寸减半),池化后的尺寸变为112x112x64

3、经128个3x3的卷积核作两次卷积+ReLU,尺寸变为112x112x128

4、作2x2的max pooling池化,尺寸变为56x56x128

5、经256个3x3的卷积核作三次卷积+ReLU,尺寸变为56x56x256

6、作2x2的max pooling池化,尺寸变为28x28x256

7、经512个3x3的卷积核作三次卷积+ReLU,尺寸变为28x28x512

8、作2x2的max pooling池化,尺寸变为14x14x512

9、经512个3x3的卷积核作三次卷积+ReLU,尺寸变为14x14x512

10、作2x2的max pooling池化,尺寸变为7x7x512

11、与两层1x1x4096,一层1x1x1000进行全连接+ReLU(共三层)

12、通过softmax输出1000个预测结果


参考

daydayup_668819

【文章会持续更新完善】

相关文章

  • vgg-8s、vgg-16s、vgg-32s

    解释VGG中的vgg-8s、vgg-16s、vgg-32s

  • vgg16.npy 和vgg19.npy

    vgg16.npy 和vgg19.npy 下载 - lqp888888的博客 - CSDN博客 vgg16.npy...

  • fdd

    vgg

  • 【转载】VGG in TensorFlow

    原文链接:http://www.cs.toronto.edu/~frossard/post/vgg16/ VGG ...

  • 看懂paper中的卷积堆叠感受野计算

    VGG中卷积堆叠 在赢得其中一届ImageNet比赛里VGG网络的文章中,他最大的贡献并不是VGG网络本身,而是他...

  • 2018-12-20VGG16相关资料

    VGG16学习笔记 VGG16整体架构图;部分keras代码 深度学习、图像分类入门,从VGG16卷积神经网络开始...

  • 【VGG系列】VGG19

    先看看VGG19的pytorch加载实现 输出的网络结构: VGG((features): Sequential(...

  • VGG 1 模型实现

    有了AelxNet网络的实现基础后,创建一个VGG网络是很简单的事情了。仿照这里的VGG实现,我对VGG网络进行了...

  • 使用不同规模的`VGG`

    vgg-16_keras 参考 1. VGG-16 结构   更改网络结构(delete some layers)...

  • VGG

    VGG 从图中可以看出VGG结构由5层卷积层、3层全连接层、softmax输出层构成,层与层之间使用max-poo...

网友评论

    本文标题:VGG

    本文链接:https://www.haomeiwen.com/subject/tivmtqtx.html