VGG16 - 用于分类和检测的卷积网络

VGG16是由牛津大学的K. Simonyan和A. Zisserman在“用于大规模图像识别的非常深卷积网络”的论文中提出的卷积神经网络模型。 该模型在ImageNet中实现了92.7％的前5个测试精度，这是属于1000个类的超过1400万张图像的数据集。它是ILSVRC-2014提交的着名模型之一。它通过一个接一个地用多个3×3内核大小的过滤器替换大型内核大小的过滤器（分别在第一个和第二个卷积层中为11和5）来改进AlexNet。VGG16训练了几周，并使用NVIDIA Titan Black GPU。

 

 

数据集

ImageNet是一个超过1500万个标记的高分辨率图像的数据集，属于大约22,000个类别。这些图像是从网上收集的，并由人类贴标机使用亚马逊的Mechanical Turk众包工具进行标记。从2010年开始，作为Pascal视觉对象挑战赛的一部分，举办了名为ImageNet大规模视觉识别挑战赛（ILSVRC）的年度比赛。ILSVRC使用ImageNet的一个子集，在1000个类别中分别拥有大约1000个图像。总之，大约有120万个训练图像，50,000个验证图像和150,000个测试图像。ImageNet由可变分辨率图像组成。因此，图像已被下采样到256×256的固定分辨率。给定矩形图像，图像被重新缩放并从结果图像中裁剪出中心256×256色块。

架构

下面描述的架构是VGG16。

VGG16架构

cov1层的输入是固定大小的224 x 224 RGB图像。图像通过一堆卷积（转换）层，其中滤镜使用非常小的感受野：3×3（这是捕捉左/右，上/下，中心概念的最小尺寸）。在其中一种配置中，它还使用1×1卷积滤波器，可以看作是输入通道的线性变换（后面是非线性）。卷积步幅固定为1个像素; 转换的空间填充。层输入使得在卷积之后保留空间分辨率，即，对于3×3转换，填充是1像素。层。空间池由五个最大池组执行，这些层跟随一些转换。图层（并非所有转换图层都跟随最大池）。最大池化在2×2像素窗口上执行，

三个完全连接（FC）层跟随一堆卷积层（在不同架构中具有不同的深度）：前两个每个具有4096个通道，第三个执行1000路ILSVRC分类，因此包含1000个通道（每个一个类）。最后一层是soft-max层。全连接层的配置在所有网络中都是相同的。

所有隐藏层都配备有整流（ReLU）非线性。还注意到，没有一个网络（除了一个）包含本地响应标准化（LRN），这种标准化不会改善ILSVRC数据集的性能，但会导致内存消耗和计算时间增加。

配置

ConvNet配置如图02所示。网络的名称（AE）。所有配置均遵循架构中存在的通用设计，仅在深度上有所不同：从网络A中的11个权重层（8个转换层和3个FC层）到网络E中的19个权重层（16个转换层和3个FC层） 。转的宽度。层（通道数）相当小，从第一层中的64开始，然后在每个最大池层之后增加2倍，直到达到512。

图：2

用例和实施

不幸的是，VGGNet有两个主要缺点：

1. 这是  痛苦的缓慢  训练。
2. 网络体系结构权重本身非常大（涉及磁盘/带宽）。

由于其全部连接节点的深度和数量，VGG16超过533MB。这使得部署VGG成为一项令人厌烦的任务.VGG16用于许多深度学习图像分类问题; 但是，较小的网络架构通常更为理想（例如SqueezeNet，GoogLeNet等）。但它是一个很好的学习目标，因为它很容易实现。

[ Pytorch ]

[ Tensorflow ]

[ Keras ]

结果

VGG16在ILSVRC-2012和ILSVRC-2013竞赛中明显优于上一代机型。VGG16的结果也在争夺分类任务获胜者（GoogLeNet的误差为6.7％），并且大大优于ILSVRC-2013获胜提交的Clarifai，其中外部培训数据达到11.2％，没有它的11.7％。关于单网性能，VGG16架构实现了最佳结果（7.0％测试错误），优于单个GoogLeNet 0.9％。

 

 

已经证明，表示深度有利于分类准确性，并且可以使用具有显着增加的深度的传统ConvNet架构来实现ImageNet挑战数据集上的最新性能。