本文详细探讨了VGG网络的结构，包括卷积层、池化层和全连接层的设计，以及VGG16和VGG19的差异。在训练参数方面，介绍了批大小、动量、正则化、dropout和学习率策略。通过多尺度训练和池化策略，确保模型能够适应不同分辨率的图像。实验结果显示，网络层数增加能降低错误率，而模型集成如多尺度评估和裁剪方法能进一步提升性能。
一、网络结构
基本概念
如果输入的是一个RGB图像，那么就会有3个通道。“channel”通常被用来描述“layer”的结构。相似的，“kernel”是被用来描述“filter”的结构。
来自 <深度学习中的各种卷积_滤波器>
输入是一个5x5x3的矩阵，有三个通道。filter是一个3x3x3的矩阵。首先，filter中的每个卷积核分别应用于输入层中的三个通道。执行三次卷积，产生3个3x3的通道。
然后，这三个通道相加（矩阵加法），得到一个3x3x1的单通道。这个通道就是在输入层（5x5x3矩阵）应用filter（3x3x3矩阵）的结果。
卷积神经网络大小固定在224*224RGB大小，并对其进行预处理：average(图像像素数据-RGB值)，将图片放在卷积神经网络（3*3）里面进行计算，池化是2*2 步长为2，卷积的步长为1
</
最低0.47元/天 解锁文章
扫一扫
5130
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
