一、基本介绍
VGG网络是一种经典的卷积神经网络模型,其特点在于使用小卷积核替代大卷积核,并通过设计不同层的卷积次数来形成不同的VGG结构。这种设计是对利用小卷积核不断加深网络的一次尝试。VGG网络在图像识别、目标检测、机器人等众多领域有着广泛的应用。
二、网络中的亮点
通过堆叠多个小卷积核来代替大卷积核。因为他们具有相同的感受野。
比如:通过堆叠两个 3 x 3 的卷积核替代 5 x 5 的卷积核
通过堆叠三个 3 x 3 的卷积核替代 7 x 7 的卷积核
VGG网络主要由5个阶段(stage)的主干特征提取网络堆叠而成,每个阶段之间通过最大池化(maxpool)进行下采样连接,从而增加通道数并降低特征图分辨率。
每个阶段的卷积模块的堆叠数目不同,因此形成了多种不同的VGG网络结构,如VGG16和VGG19。VGG16包含13个卷积层和3个全连接层,而VGG19则包含16个卷积层和3个全连接层。
(ps:VGG16 是最常用的神经网络)
三、感受野的计算
认识感受野
VGG感受野的计算公式
F(i) = (F(i+1) - 1) × stride + Ksize,
其中F(i)表示第i层的感受野,
F(i+1)表示上一层的感受野,
stride表示第i层的步距,
Ksize表示卷积核或池化核的尺寸.
下图举例说明:
感受 通过堆叠三个 3 x 3 的卷积核替代 7 x 7 的卷积核
比较两种所需参数的不同
通过计算参数量,能明显的感受到所需参数的差别。