【CV】VGG卷积核为什么取3*3 ？ VGG使用3*3卷积核的优势是什么?

最新推荐文章于 2023-06-25 21:50:57 发布
最新推荐文章于 2023-06-25 21:50:57 发布
阅读量2.4k 收藏 3
点赞数
分类专栏： CV面试
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。
本文链接：https://blog.csdn.net/AugustMe/article/details/117435936
版权

在VGG中，使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。

比如，3个步长为1的3x3卷积核的一层层叠加作用可看成一个大小为7的感受野（其实就表示3个3x3连续卷积相当于一个7x7卷积），其参数总量为 3x(9xC^2) ，如果直接使用7x7卷积核，其参数总量为 49xC^2 ，这里 C 指的是输入和输出的通道数。很明显，27xC2小于49xC2，即减少了参数；而且3x3卷积核有利于更好地保持图像性质。

https://www.nowcoder.com/questionTerminal/de1833d5ae9c4758bb11671735210e54

https://www.nowcoder.com/discuss/273571?type=post&order=time&pos=&page=1&channel=-1&source_id=search_post_nctrack

机器不学习我学习
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？
data+scenario+science+insight
08-08 1911
为什么CNN模型要使用很多小的卷积核，比如3x3，而不是7x7或者9x9呢？ (1)3x3是最小的能够捕获像素八邻域信息的尺寸。 (2)两个3x3的堆叠卷基层的有限感受野是5x5；三个3x3的堆叠卷基层的感受野是7x7，故可以通过小尺寸卷积层的堆叠替代大尺寸卷积层，并且感受野大小不变。所以可以把三个3x3的filter看成是一个7x7filter的分解中间层有非线性的分解, 并且起到隐式正则化的作用。 这一点在VGGNet论文中得到了很好的解释。有两个原因：首先，你可以使用几个较小的..
深度学习之3*3卷积核的优势
AndyJ的学习之旅
05-11 5859
VGG使用3*3卷积核的优势是什么? 2个3x3的卷积核串联和5x5的卷积核有相同的感知野,前者拥有更少的参数。多个3*3的卷积核比一个较大尺寸的卷积核有更多层的非线性函数,增加了非线性表达,使判决函数更具有判决性。 3×3卷积核 卷积核一定越大越好？ 之前人们的观念是，卷积核越大，receptive field（感受野）越大，看到的图片信息越多，因此获得的特征越好。虽说如此，但是大的卷积核会导致计算量的暴增，不利于模型深度的增加，计算性能也会降低。于是在VGG（最早使用）、Inception网络中，利用2
VGG(2014)，3x3卷积的胜利
日拱一卒
10-14 690
文章目录写在前面网络结构multi-scale training and testing其他有意思的点参考 博客：blog.shinelee.me | 博客园 | CSDN 写在前面 VGG(2014)网络出自paper《Very Deep Convolutional Networks for Large-Scale Image Recognition》，为ILSVRC2014 localizat...
3*3卷积+1*3卷积+3*1卷积=白给的精度提升
喜欢打酱油的老鸟
12-02 9311
2019-11-28 04:33:41 作者 | BBuf 编辑 | 唐里 ICCV2019: 通过非对称卷积块增强CNN的核骨架 下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：http...
【深度学习基础知识 - 19】VGG为什么使用3x3的卷积核
yanyuxiangtoday的博客
08-20 2387
VGG为什么选择3x3的卷积核，这个问题是算法面试的高频问题。 因为通过串联两个3x3的卷积核可以达到5x5卷积核的感受野，同时降低了模型的参数量。并且多个3x3卷积核的串联有更多的激活函数，有更强的非线性表达能力。 ...
为什么VGG要用3*3的卷积核
zhangjf26的博客
04-27 9305
(1)3x3是最小的能够捕获像素八邻域信息的尺寸。(2)两个3x3的堆叠卷基层的有限感受野是5x5；三个3x3的堆叠卷基层的感受野是7x7，故可以通过小尺寸卷积层的堆叠替代大尺寸卷积层，并且感受野大小不变。(3)多个3x3的卷基层比一个大尺寸filter卷基层有更多的非线性（更多层的非线性函数），使得判决函数更加具有判决性。(4)多个3x3的卷积层比一个大尺寸的filter有更少的参数，假设卷基层...
为什么现在大家喜欢用3*3小卷积？
喜欢打酱油的老鸟
06-28 4366
https://www.toutiao.com/a6706311102759698948/ 我们知道现在在构建CNN时大家喜欢用3*3的卷积，而不是早期的5*5，7*7等更大尺寸的卷积，如vgg系列网络中全部使用了3*3的卷积。那么你知道为什么这样做吗？ 这里既然用3*3卷积来替代更大尺寸的卷积，那么有一个前提，就是要保证两者具有同样大小的输出和感受野。 两个3*3的卷积才能代替...
为什么要使用3×3卷积？& 1*1卷积的作用是什么？& 对ResNet结构的一些理解
热门推荐
weixin_45928096的博客
01-14 1万+
为什么要使用3×3卷积？& 1*1卷积的作用是什么？& 对ResNet结构的一些理解 在感受野相同的情况下，三个3×3卷积比一个7×7卷积所需参数要少很多，这无疑减少了模型的复杂度，加快了训练速度。 神经网络将像素空间的信息转化为语义信息。 卷积核和池化使得图像长宽方向的信息逐渐减小，而卷积通道数逐层增加通道信息逐渐增加。 1×1的卷积可以用来降维和升维（匹配维度），在ResidualBlock中减少模型参数数量。
VGG_多个３×３卷积层可看作是大尺寸卷积层的分解
????????️的博客
12-18 1159
标题1、为什么多个３×３卷积层可看作是大尺寸卷积层的分解？ 假设图片（Input）尺寸为M×M，卷积核（Filter）大小为K×K，填充（Padding）为P，步长（stride）为s。 则卷积输出（Output）特征图大小为 = (M + 2P - K)/S +1 假设图片是28×28的： （1）使用5×5的卷积核对其卷积，步长（stride）为1，填充(pad)为0，得到的结果是:(28-5)/1+1=24 （2）使用2个卷积核为3*3的，这里的两个是指2层，同样步长（stride）为1，填充(pad)
经典卷积神经网络之-2014-Vgg16Net-MNIST（建议使用GPU来跑）.zip
01-28
卷积神经网络（CNN，Convolutional Neural Network）是深度学习领域的重要组成部分，尤其是在图像识别、计算机视觉任务中表现出色。VGG16Net是由牛津大学视觉几何组（Visual Geometry Group）在2014年提出的一个经典...
opencv3中的vgg和boost下载
09-14
VGG模型以其深而窄的架构著名，拥有大量的卷积层和池化层，通过大量的小卷积核（如3x3）来增加网络的深度。这种设计使得VGG模型能够学习到非常复杂的图像特征，适用于图像分类、物体检测、语义分割等多个任务。在...
转移学习：使用VGGNet对花朵图像进行分类
02-04
VGGNet是由牛津大学视觉几何组（Visual Geometry Group）开发的一系列深度卷积神经网络模型，因其深度和广泛使用的小卷积核（3x3）而著名。在ImageNet大型视觉识别挑战赛（ILSVRC）中，VGGNet表现出色，因此它的预...
【重磅】卷积神经网络为什么能称霸计算机视觉领域？
05-16
CNN中的卷积核在整个输入空间内共享相同的权重，这意味着相同的特征检测器可以在图像的不同位置重复使用。这种方法极大地减少了模型参数的数量，降低了过拟合的风险，同时也加快了训练速度。 ##### 2.3 多尺度特征...
基于keras集成多种图像分类模型： VGG16、VGG19、InceptionV3、Xception、MobileNet等
04-03
VGG模型是由牛津大学Visual Geometry Group（VGG）提出的，其主要特点是使用小尺寸的卷积核（3x3）和大量的卷积层。VGG16包含16个层，而VGG19则有19个层。这两个模型的深度使得它们能捕获更复杂的图像特征，但同时也...
大话CNN经典模型：VGGNet
qq_33287871的博客
10-04 251
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探索了卷积神经网络的深度与其性能之间的关系，成功地构筑了16~19层深的卷积神经网络，证明了增加网络的深度能够在一定程度上影响网络最终的性能，使错误率大幅下降，同时拓展性又很强，迁移到其它图片数据上的泛化性也非常.
VGG使用3*3小滤波器卷积层代替5*5或7*7的大滤波器卷积层以减少参数。
qq_45887419的博客
12-10 3237
首先从卷积计算原理着手，一个5*5的输入，经过一个3*3的滤波器滑动9次，输出一个3*3的数据。输出数据的每个元素都对应5*5的9个窗口，再在输出的3*3数据上使用一个3*3的滤波器，可以得到一个数据，对应的是上一个3*3数据。可见，最后得到的数据是两次观察5*5数据得到的，与用5*5的滤波器观察一次数据可以到达到同样的效果。 VGG就使用此思想，用小滤波器卷积层代替大滤波器卷积层，那为什么这样会减少参数量呢？ 原文如下： 为了便于理解，用代表输入通道数，代表输出通道数。输入通道数和滤波器通道数相
计算机视觉：3*3卷积核的优势
huanfeng_AI的博客
06-25 1531
综上来看，小的卷积核更具有威力，所以当我们实际搭建卷积神经网络的时候，先从小的卷积核开始来搭建卷积神经网络，这样往往可以取得一个好的模型效果，也有利于模型的快速迭代。这就是为什么卷积核一般都是3*3，而不是更大的原因。
关于一个7*7的卷积核可用3个3*3的卷积核代替的理解
tiantiandashi的博客
04-15 8825
最近在看常见网络的结构，比如AlexNet（2012），VGG（2014）,GoogleNet（2014），ResNet残差网络（2015）等等，其中VGG相比AlexNet做出的三个改进： 1）使用小的卷积核而不是大的（如选用三个3*3的卷积核而不是选一个7*7） 2）提出了pooling的概念 3）使用dropout 这三个创新的地方使得VGGnet的参数大大减少，提高了识别率，但是由...
卷积神经网络（三）
lipengfei0427的博客
09-01 2947
六、三维卷积 在经历了二维灰度图的卷积操作之后，如何进行三维卷积（RGB图像）呢？我们一起来看下！ 首先我们还是给出一个6*6的图像，不过因为有RGB三个通道，所以图像变成了6*6*3。同样的，在二维灰度图中3*3的卷积核也要相应的更改为3*3*3的卷积核。我们将表达式写出如下： 最终给出的结果是4*4*1的图像（注意不是4*4*3的图像）。 ...
VGG16卷积核大小
最新发布
07-21
VGG16是一种深度学习模型，由牛津大学的研究者提出，用于计算机视觉任务，尤其是图像分类。它包含了一系列的卷积层（Convolutional Layers），每个卷积层的结构通常是固定的，以便于训练和理解。 VGG16的基本架构包括13个卷积层和3个全连接层。其中，卷积层的配置特点是使用3x3的滤波器（也称为卷积核）进行卷积操作，但不是所有的3x3卷积层都保持相同的大小。VGG16的具体细节中，前几层（如初始的一些conv1_1, conv1_2等）的卷积核大小一般也是3x3，后面的卷积层可能会有更深的卷积（例如conv2_1、conv2_2通常还是3x3，而像conv3_1、conv3_2可能会增大到5x5等）。这有助于捕捉更复杂的特征。
评论
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

打赏作者

机器不学习我学习

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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