美文网首页
[转]VGG16-19

[转]VGG16-19

作者: zelda2333 | 来源:发表于2021-04-23 16:21 被阅读0次

论文:Very Deep Convolutional Networks for Large-Scale Image Recognition

2014年,牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络:VGGNet,并取得了ILSVRC2014比赛分类项目的第二名(第一名是GoogLeNet,也是同年提出的)和定位项目的第一名。

VGGNet可以看成是加深版本的AlexNet,都是由卷积层、全连接层两大部分构成。

一、VGG的特点

1、结构简洁

VGG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(最大化池)分开,所有隐层的激活单元都采用ReLU函数。

2、小卷积核和多卷积子层

VGG使用多个较小卷积核(3x3)的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面相当于进行了更多的非线性映射,可以增加网络的拟合/表达能力。

小卷积核是VGG的一个重要特点,虽然VGG是在模仿AlexNet的网络结构,但没有采用AlexNet中比较大的卷积核尺寸(如7x7),而是通过降低卷积核的大小(3x3),增加卷积子层数来达到同样的性能(VGG:从1到4卷积子层,AlexNet:1子层)。

VGG的作者认为两个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)

3、小池化核

相比AlexNet的3x3的池化核,VGG全部采用2x2的池化核。

4、通道数多

VGG网络第一层的通道数为64,后面每层都进行了翻倍,最多到512个通道,通道数的增加,使得更多的信息可以被提取出来。

5、层数更深、特征图更宽

由于卷积核专注于扩大通道数、池化专注于缩小宽和高,使得模型架构上更深更宽的同时,控制了计算量的增加规模。

6、全连接转卷积(测试阶段)

这也是VGG的一个特点,在网络测试阶段将训练阶段的三个全连接替换为三个卷积,使得测试得到的全卷积网络因为没有全连接的限制,因而可以接收任意宽或高为的输入,这在测试阶段很重要。

如本节第一个图所示,输入图像是224x224x3,如果后面三个层都是全连接,那么在测试阶段就只能将测试的图像全部都要缩放大小到224x224x3,才能符合后面全连接层的输入数量要求,这样就不便于测试工作的开展。

二、VGG的网络结构

VGG的网络结构

在这篇论文中分别使用了A、A-LRN、B、C、D、E这6种网络结构进行测试,这6种网络结构相似,都是由5层卷积层、3层全连接层组成,其中区别在于每个卷积层的子层数量不同,从A至E依次增加(子层数量从1到4),总的网络深度从11层到19层(添加的层以粗体显示),表格中的卷积层参数表示为“conv⟨感受野大小⟩-通道数⟩”,例如con3-128,表示使用3x3的卷积核,通道数为128。为了简洁起见,在表格中不显示ReLU激活功能。
其中,网络结构D就是著名的VGG16,网络结构E就是著名的VGG

A、A-LRN、B、C、D、E这6种网络结构的深度虽然从11层增加至19层,但参数量变化不大,这是由于基本上都是采用了小卷积核(3x3,只有9个参数),这6种结构的参数数量(百万级)并未发生太大变化,这是因为在网络中,参数主要集中在全连接层。

经作者对A、A-LRN、B、C、D、E这6种网络结构进行单尺度的评估,错误率结果如下:

从上表可以看出:
1、LRN层无性能增益(A-LRN)
VGG作者通过网络A-LRN发现,AlexNet曾经用到的LRN层(local response normalization,局部响应归一化)并没有带来性能的提升,因此在其它组的网络中均没再出现LRN层。
2、随着深度增加,分类性能逐渐提高(A、B、C、D、E)
从11层的A到19层的E,网络深度增加对top1和top5的错误率下降很明显。
3、多个小卷积核比单个大卷积核性能好(B)
VGG作者做了实验用B和自己一个不在实验组里的较浅网络比较,较浅网络用conv5x5来代替B的两个conv3x3,结果显示多个小卷积核比单个大卷积核效果要好。

最后进行个小结:
1、通过增加深度能有效地提升性能;
2、最佳模型:VGG16,从头到尾只有3x3卷积与2x2池化,简洁优美;
3、卷积可代替全连接,可适应各种尺寸的图片

转载链接:
大话CNN经典模型:VGGNet

相关文章

  • [转]VGG16-19

    论文:Very Deep Convolutional Networks for Large-Scale Image...

  • 转,转,转

    其实,过年就是地球公转又多转了一圈而已;而每一个白昼和黑夜的更替只是地球又转了一圈罢了。人生在世,就是辗转反侧,度...

  • 转?转!~转~

    这是什么破任务 拽什么你 你装什么 还要怎样转 就一个这个东西 还要花心思这样对待 当我的时间是辣鸡吗 当我的精力...

  • 转呀转 转呀转

    看着闪闪的标识 脑子里真空的什么都不剩下 保鲜袋上的生产日期 怎么找也找不到 明天的气温貌似要下调 太阳要和月亮商...

  • 转呀,转呀,转呀转。

    如果养成了习惯, 那么就会在固定的时间去转。 就像我这样, 一不小心就这样了。 嘎嘎嘎, 笑出鸭叫声。 不是我有多...

  • 山转——水转——人转——心转

    山不转水转,水不转人转,人不转心转。 这是早晨跑步时听的一篇文章中印象最深的一句话。 山不转那水在转 ,水不转那云...

  • 转啊转

    在地铁的车厢里,我会痴痴地望向一头。 等待它进入弯道,呈现渐渐弯曲的视觉。 这让我短暂入迷,像眺无尽的时空隧道。 ...

  • 转啊转

    在地铁的车厢里,我会痴痴地望向一头。 等待它进入弯道,呈现渐渐弯曲的视觉。 这让我短暂入迷,像眺无尽的时空隧道。 ...

  • 转啊转

    睁眼 阳光乍泻 不用说 地球又要带着我一起运动 在我面前直着身子匀溜溜地自转 和我一块从这儿到那儿来回走一段距...

  • python3.7常用类型转换

    转str 转int 转long 转float 转List 转Dict

网友评论

      本文标题:[转]VGG16-19

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