CV 经典主干网络 (Backbone) 系列: VGGNet

最新推荐文章于 2024-06-13 22:45:39 发布
最新推荐文章于 2024-06-13 22:45:39 发布
阅读量1.8k 收藏 2
点赞数
分类专栏： Backbone 文章标签： vggnet 结构 总结 分析 解析
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/kuweicai/article/details/114993650
版权
本文介绍了VGGNet的网络结构及其在2014年ImageNet挑战赛上的突出表现。VGGNet以小卷积核（3x3）为特点，通过多层叠加实现深度，并利用1x1卷积增强非线性表达能力。此外，它还采用Multi-Scale方法提高训练效果，降低错误率。尽管现在已有更先进的网络，但VGGNet的贡献和设计理念仍然值得学习。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

CV 经典主干网络 (Backbone) 系列: VGGNet

作者：Karen Simonyan 等
发表时间：2014
Paper 原文：Very Deep Convolutional Networks for Large-Scale Image Recognition

该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。

这个模型在当年的 ImageNet 挑战赛上分别取得了检测和分类任务的第一和第二名的成绩。论文中提出了一系列网络结构，用的较多的是 VGG16 和 VGG19，当然到了今天（2021年）都已经很少用了。

1. 网络结构

现在来看这个网络结构还是非常简单明了的。

在这里插入图片描述

在但是 VGGNet 主要的突破在于：

  • 选用比较小的卷积核（3x3），而之前无论 AlexNet 还是 LeNet5 都是采用较大的卷积核，比如 11x11, 7x7。而采用小卷积核的意义主要有两点，一是在取得相同的感受野的情况下，比如两个3x3的感受野和一个5x5的感受野的大小相同，但是计算量却小了很多，关于这点原文中有很详细的解释，建议直接看原文;第二

最低0.47元/天 解锁文章
论文笔记系列：经典主干网络（一）-- VGG
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
10-23 2987
本论文系列主要介绍深度学习主干网络，本篇介绍经典网络VGG，包括网络结构介绍、特点及对应论文讲解，VGG可以看成是加深版本的AlexNet。后续会在此基础上更新其他部分网络，仅供个人学习参考！
视觉深度学习骨干网络（backbone）
最新发布
a8598671的博客
03-21 1000
Backbone 的发展经历了从 CNN 到 Transformer 的演变，目前在自动驾驶中应用的主流backbone包括VGG、resnet、vovnet、ViT和Swin Transformer等。神经网络的骨干网络是整个深度学习模型中最核心的特征提取模块，其设计和性能直接影响模型在各类任务表现，未来重点是高效计算（边缘部署、NAS搜索）、融合架构（CNN、Transformer等）、多模态融合（图像、语言、点云等）、高效学习（少样本、无监督、迁移学习等）。
CV 经典主干网络 (Backbone) 系列: 开篇
生命在于折腾！
03-18 6611
CV 经典主干网络 (Backbone) 系列: 开篇 这篇是 深度学习中的经典基础网络结构（backbone）总结 的下篇。上篇中从大的发展趋势介绍了下主干网络的发展趋势，而这篇主要是对一些比较经典的主干网络进行简单梳理。 目录 CV 经典主干网络 (Backbone) 系列: VGGNet （2014年） CV 经典主干网络 (Backbone) 系列: GoogLeNet （2014年） CV 经典主干网络 (Backbone) 系列: ResNet家族（2015年） CV 经典主干网
CV 经典主干网络 (Backbone) 系列: Darknet-19
走在深度学习前沿的小宋
04-05 1375
在目标检测领域的YOLO系列算法中，作者为了达到更好的分类效果，自己设置并训练了DarkNet网络作为骨干网络。作者在ImageNet数据集上进行实验，发现相较于ResNet网络，DarkNet在分类精度差不多的前提下，计算速度取得了领先。
Pytorch卷积神经网络经典Backbone(骨干网络)——（VGG）
梦在黎明破晓时的博客
03-21 608
VGG网络架构：VGG16网络由13层卷积层+3层全连接层构成。
论文笔记：主干网络——VGG
liuzeyao_Newton的博客
04-19 2128
Very Deep Convolutional Networks for Large-scale Image Recognition 大规模图像识别的深度卷积神经网络
探索CV经典主干网络：从VGGNet到ResNet
2301_78731684的博客
12-11 892
CV经典主干网络如VGGNet、ResNet和Xception等在计算机视觉领域中具有举足轻重的地位。它们通过独特的架构和强大的性能，为各种计算机视觉任务提供了有效的解决方案。这些网络结构不仅推动了计算机视觉技术的发展，还为后续的网络结构创新提供了新的思路和方法。随着深度学习技术的不断发展，我们期待更多的创新性网络结构出现。未来的研究将进一步探索网络结构的优化和创新，以提高模型的性能和计算效率。同时，随着应用场景的不断扩展和数据量的不断增加，计算机视觉技术将在更多的领域得到应用和发展。
CV 经典主干网络 (Backbone) 系列: ResNet家族
生命在于折腾！
03-20 3088
CV 经典主干网络 (Backbone) 系列: ResNet家族 作者：Kaiming He 等 发表时间：2015 Paper 原文： Deep Residual Learning for Image Recognition 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 ResNet 在 CV 发展史上有非常重要的意义，它在 ImageNet 挑战赛上，首次实现了超越人类的水平。关于 ResNet 的介绍，将分为上下两个部分： ResNet家族：主要介绍原版（凯明大神论文
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-13 488
基础模型的核心理念是“更多即不同”，这一理念在计算机视觉和自然语言处理领域取得了惊人的成功。然而，Transformer 模型的优化挑战和内在复杂性要求我们向简约的范式转变。在这项研究中，我们介绍了 VanillaNet，这是一种追求设计优雅的神经网络架构。通过避免高深度、捷径以及自注意等复杂操作，VanillaNet 展现出简洁明了却功能强大的特点。每一层都经过精心设计，结构紧凑且直观，训练后去除非线性激活函数以恢复原始架构。VanillaNet 克服了内在复杂性的挑战，非常适合资源受限的环境。
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-13 870
基础模型的核心理念是“更多即不同”，这一理念在计算机视觉和自然语言处理领域取得了惊人的成功。然而，Transformer 模型的优化挑战和内在复杂性要求我们向简约的范式转变。在这项研究中，我们介绍了 VanillaNet，这是一种追求设计优雅的神经网络架构。通过避免高深度、捷径以及自注意等复杂操作，VanillaNet 展现出简洁明了却功能强大的特点。每一层都经过精心设计，结构紧凑且直观，训练后去除非线性激活函数以恢复原始架构。VanillaNet 克服了内在复杂性的挑战，非常适合资源受限的环境。
CV 经典主干网络 (Backbone) 系列: CSPNet
生命在于折腾！
11-13 7998
CV 经典主干网络 (Backbone) 系列: CSPNet 作者：Chien-Yao Wang 等 发表时间：2019 Paper 原文： CSPNet: A New Backbone that can Enhance Learning Capability of CNN 开源代码：Cross Stage Partial Networks 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 作者认为目前的网络结构虽然效果好，但是都是建立在较大的计算量上的，这阻碍了算法应用 ，特别是
VGGNet
JeJe_33的博客
09-20 1146
1.概述 VGG网络在2014年的图像分类竞赛中获得第二名，验证了小卷积核对特征的强大的提取能力，并且把卷积层深度推到了16-19层
YOLOv8换主干网络：GhostNet源码详解
2. 主干网络：在计算机视觉领域，主干网络（Backbone Network）是深度学习模型中用于提取特征的主要部分，它通常是一个预训练的卷积神经网络（CNN），比如ResNet、Inception、VGG等。主干网络负责将原始输入图像转换...
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
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