深度学习图像处理之VGG网络模型 (超级详细)

VGG介绍:

        由牛津大学著名研究所VGG提出，斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。

VGG网络的配置：（VGG-16是许多模型中的主干网络）

                                

 在原论文中，作者给了6个VGG网络的不同配置，并且尝试了不同的深度（11、13、16、19层）以及是否采用LRN等。在实际使用过程中，我们一般都会采用D这个配置，即16层：13个卷积层以及最后3个全连接层。

VGG网络的亮点：

        通过堆叠多个3*3的卷积核来代替大尺度卷积核（目的：减少所需参数）。在原论文中提到，可以通过堆叠2个3*3的卷积核替代5*5卷积核（使得2个3*3的卷积核与5*5的卷积核拥有相同的感受野）；堆叠3个3*3的卷积核替代7*7的卷积核（使得3个3*3的卷积核与7*7的卷积核拥有相同的感受野）。

概念扩展-CNN感受野（receptive field）：

        在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野。通俗的来说就是，输出feature map 上的一个单元对应输入层上的区域大小。

        简单例子：

        如上图，最下层是一个9*9*1的特征矩阵 ，首先将其通过Conv1（大小为3*3，步距为1），通过计算公式，可以得到大小为4*4*1的特征矩阵；再将其通过最大池化下载量操作（大小为2*2，步距为2），得到一个2*2*1的大小。

        接下来计算感受野：

        Feature map(最后得到的特征图)：F=1

       Pool1层：其输出的是2*2大小，其输入的是4*4大小，Ksize=2,Stride=2则F=（1-1）*2+2=2

        Conv1：其输出的是4*4大小，其输入的是9*9大小，Ksize=3,Stride=2则F=（2-1）*2+3=5

VGG网络结构：

                             

         上面我们说过，我们常用的是D配置，即VGG-16，其过程为：①输入224大小的RGB图像②通过两层3*3的卷积核③通过maxpool(最大下载量)④通过两层3*3的卷积核⑤通过maxpool⑥通过三层3*3的卷积核⑦通过maxpool⑧通过三层3*3的卷积核⑨通过maxpool⑩通过三层3*3的卷积核、通过maxpool、通过三个全连接层、通过soft-max处理，得到概率分布。

         补充：（通过3*3的卷积核，输入、输出尺寸不变；通过maxpool，将特征矩阵的高和宽直接缩小一半）。

        结构图：（通过D这个模型进行绘制的）

                            

        说明：白色矩形框：代表卷积和激活函数

                   红色矩形框：代表最大池化下载量

                   蓝色矩形框：全连接层和激活函数

                   橙色矩形框：softmax处理

        结构过程：（配置表和结构图一起观察）

                1、首先输入一张224*224*3大小的图像，经过两个3*3的卷积层之后，所得到的特征图大小为224*224*64（尺寸大小不变，因为采用的是64个卷积核，所以深度也为64）。

                2、通过一个最大池化下载量层，得到的特征图为112*112*64（大小缩小一半，不改变深度）。

                3、再通过两个3*3*128的卷积层，得到的特征图为112*112*128（深度变为128）。

                4、通过一个最大池化下载量层，得到的特征图为56*56*128（大小缩小一半，不改变深度）。

                5、再通过三个3*3*256的卷积层，得到的特征图为56*56*256（深度变为256）。

                6、通过一个最大池化下载量层，得到的特征图为28*28*256（大小缩小一半，不改变深度）。

                7、再通过三个3*3*512的卷积层，得到的特征图为28*28*512（深度变为512）。

                 8、通过一个最大池化下载量层，得到的特征图为14*14*512（大小缩小一半，不改变深度）。

                 9、再通过三个3*3*512的卷积层，得到的特征图为14*14*512（深度变为512）。

                10、通过一个最大池化下载量层，得到的特征图为7*7*512（大小缩小一半，不改变深度）。

                11、再通过两个为4000个节点的全连接层以及激活函数，得到1*1*4096向量

                12、再通过一个为1000个节点的全连接层（因为1000个类别），注意不需要激活函数，得到1*1*1000向量。

                13、最后将通过全连接层得到的一维向量，输入到softmax激活函数，将预测结果转化为概率分布。