VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION论文笔记

深度解析：VGG网络模型与深度学习的革命
最新推荐文章于 2022-04-11 14:50:40 发布
原创 最新推荐文章于 2022-04-11 14:50:40 发布 · 4.4k 阅读 · 7 ·
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：

#深度学习

VGG模型通过堆叠更多3×3卷积层，以增加深度，减小参数量，提高了图像识别性能。作者探讨了模型训练、预初始化策略以及多尺度训练对模型效果的影响，实验表明深度网络在分类和定位任务中表现出色，为后续深度学习研究奠定了基础。

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

前言

VGG模型在ILSVRC2014上大放异彩，虽然从VGG的诞生到现在已经2年多，但是它依然是目前最热门的模型网络之一。它最大的贡献是，将深度学习从AlexNet的时代推入到deeper model的时代，第一次将模型深度提高到16层以上（当然还有同年的GoogLeNet），也使得在识别和定位等任务上的性能得到大幅度的提高，今天我们就来看看它到底是如何实现的吧。

思想

思想核心——模型深度。作者希望通过堆叠更多的卷积层来增加网络的深度，以提高模型的性能。但是如果只在原始的较浅层模型上简单的通过复制权重层来堆叠，势必会出现参数量过大，模型过复杂，模型的优化求解更难。因此，必须要改进。

改进

既然增加了模型的深度而又不想过分的增加计算复杂度，那就只有以平衡的角度，从模型的宽度着手。作者提出两个 3×3 卷积层的堆叠与一个 5×5 的卷积层具有相同的reception field，三个 3×3 卷积层的堆叠与一个 7×7

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 2410
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。
VGGNet：very deep convolutional networks for large-scale image recognition LCLR2015
qq_45844265的博客
01-18 743
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。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。输入彩色图像信息为224×224×3，block1有64个卷积核，对输入图像做下采样，原图的长宽从224×224缩减为原来的一半，即112×112，但是通道数由64增加一半到128，block2-6依次做类似处理。
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
经典网络结构VGG-net《Very Deep Convolutional Networks for Large-Scale Image Recognition》
女王の专属领地
05-04 1281
论文地址：https://arxiv.org/abs/1409.1556论文翻译：http://blog.csdn.net/wangsidadehao/article/details/54311282VGG-Net来自牛津大学Andrew Zisserman 教授的组 (Oxford)，在2014年的 ILSVRC localization and classification 两个问题上分别取得...
VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION译文
小时候贼聪明
03-12 2万+
仅供参考，如有翻译不到位的地方敬请指出。论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition译文地址：http://blog.csdn.net/wspba/article/details/61625387
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition
qq_39109729的博客
10-01 908
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，
《Very Deep Convolutional Networks for Large-Scale Image Recognition》——VGG论文总结
02-12 2141
题目 《Very Deep Convolutional Networks for Large-Scale Image Recognition》 简介 Abstract In this work we investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting. Our main contribution is a thorough
（VGG）Very Deep Convolutional Networks for Large-Scale Image Recognition
椰子奶糖的博客
07-12 755
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，
Very Deep Convolutional Networks For Large-Scale Image Recognition(VGGnet)
励志的小胡子
03-06 1341
用于大规模图像识别的非常深的卷积神经网络 Abstract(摘要) 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。我们的主要贡献使使用非常小()卷积滤波器的架构对越来越深的网络进行全面评估，这表明通过将深度堆到16-19的权重层可以实现对现有技术配置的显著改进。这些发现使我么提交的ImageNet Challe...
【论文阅读】Very Deep Convolutional Networks For Large-Scale Image Recogniton（VGG）
你的深度学习小站
11-17 833
Very Deep Convolutional Networks For Large-Scale Image Recogniton 1. 摘要 ​ 作者调查了卷积网络深度对其在大规模图像识别的准确率上的影响。 ​ 主要贡献是对网络深度增加进行彻底的评估，用一个具有非常小卷积核的网络结构，展示了一个在现有技术配置上的重大提升，可以通过将深度加至16-19层来达到。 ​ 这些发现是2014年ImagetNetImagetNetImagetNet挑战的基础，作者的团队分别在定位和分类追踪赢得了第一和第二名。 ​
VGG
aitie1479的博客
04-09 359
2019-04-0813:30:58 VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是这个模型很有研究价值。 模型的名称——“VGG”代表了牛津大学的Oxford Visua...
VGG——Very Deep Convolutional Networks for Large-Scale Image Recognition
weixin_44853840的博客
05-05 608
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
论文笔记 - 《Very Deep Convolutional Networks For Large-Scale Image Recognition》 精典
Tom的专栏
06-23 3023
基于卷积神经网络的图像分类（经典网络） 作者：Karen Simonyan & Andrew Zisserman（两位大神） 单位：牛津大学 （Visual Geometry Group） 发表会议时间：arXiv 2015 （arXiv是一个网站，可以预先把idea发布到上面，这样可以防止paper发表之前，自己的idea被别人使用） ImageNet Large-Scale...
Very Deep Convolutional Networks For Large-Scale Image Recognition
Peter的脱发日记
06-07 670
Very Deep Convolutional Networks For Large-Scale Image Recognition 原文地址 时间：2014 Intro 本文的VGG网络在2014年的ImageNet竞赛中分别在定位和分类上获得第一和第二，主要的贡献是使用了小的（3×3）卷积核使得网络可以拓展到16-19层深。 ConvNet Configurations Architectur...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION(VGG网络)-论文阅读笔记
weixin_43749999的博客
04-11 642
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION VGG网络 论文阅读笔记 //2022.4.11上午9:53开始阅读 论文地址 1409.1556.pdf (arxiv.org) 论文目的 论文研究了CNN的深度对图像识别的影响，并搭建了一种具有较深层网络结构的vgg网络。这种网络在ImageNet 2014中获得了不错的成绩。同时，作者介绍，将vgg网络推广到其他数据集中也可以获得最先进的效果。
Very Deep Convolutional Networks for Large-Scale Image Recognition
雨石
10-02 2万+
这篇论文是今年9月份的论文[1]，比较新，其中的观点感觉对卷积神经网络的参数调整大有指导作用，特总结之。关于卷积神经网络(Convolutional Neural Network, CNN)，笔者后会作文阐述之，读者若心急则或可用谷歌百度一下。
VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
长风破浪会有时，直挂云帆济沧海
03-19 5万+
论文理解 - VGGNet - Very Deep Convolutional Networks for Large-Scale Image Recognition [VGG-Paper] [原文地址 - Very deep convolutional networks for large-scale image recognition] 一篇对 VGGNet 理解比较详细的博客，很长...
深度学习研究理解10：Very Deep Convolutional Networks for Large-Scale Image Recognition
whiteinblue的专栏
02-06 2万+
本文是牛津大学 visual geometry group（VGG）Karen Simonyan 和Andrew Zisserman 于14年撰写的论文，主要探讨了深度对于网络的重要性；并建立了一个19层的深度网络获得了很好的结果；在ILSVRC上定位第一，分类第二。 一：摘要 …… 从Alex-net发展而来的网络主要修改一下两个方面： 1，在第一个卷基层层使用更小的filter尺寸和间
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 1
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