【论文】VGGNet

---

【论文】Simonyan K , Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer ence, 2014.（pdf）

【新颖点】

• 更深的网络
• 使用小卷积核 $3\times 3$ 和 $1\times 1$ 替代大卷积核
• 多尺度训练及预测

---

网络结构

比较常见的为 VGG-16 和 VGG-19，VGGNet 把网络分成了 5 段，每段都将多个 $3\times 3$ 的卷积网络串联在一起，每段卷积后面接一个最大池化层，最后面是 3 个全连接层和一个 softmax 层

加深比加宽更好

如果要增大感受野，一般的思路是直接增加卷积核的大小，但是这直接增加了参数的数量，假设有 $C$ 个 $7\times 7$ 的卷积核，其参数量为 $7C\times 7C=49C^2$。作者认为用小的卷积核串联不仅能起到增大感受野的作用，而且能够减小参数数量，例如，这里我们可以用 $3$ 个 $3\times 3$ 的卷积核串联同样能达到 $7\times 7$ 的感受野，但参数量却只有 $3\times 3C\times 3C=27C^2$

至于为什么三个 $3\times 3$ 的卷积核串联的感受野等同于一个 $7\times 7$ 的卷积核，或者两个 $3\times 3$ 的卷积核串联的感受等同于一个 $5\times 5$ 的卷积核简单画个草图就能很容易明白

另外，论文中作者也主张使用 $1\times 1$ 的卷积核来增加线性换，这种方式在保持空间维度不变的情况下，增加了决策函数的非线性性

多尺度训练

VGGNet 使用了 Multi-Scale 的方法增强数据——将原始图像缩放到不同尺寸 $S$，然后在随机剪裁成 224 x 224 的图片，这样可以增加数据量。作者设置 $S$ 在 $[256,512]$ 这个区间内取值，使用 Multi-Scale 获得多个版本的数据，并将这些数据合在一起训练

其他改进点

• 证明 LRN 效果不大
• 训练时，先训练级别简单的 VGGNet，例如上表中的 A 网络，然后再使用 A 网络的权重来初始化后面的复杂模型，加快训练速度
• 相较于 AlexNet，使用了 $2\times 2$ 的池化核，获取更多的细节信息