【深度学习CV-baseline】VGG论文精读

VGG-大规模图像识别的深度卷积神经网络
一、研究背景、成果及意义
1、学习目标

这篇文章是针对卷积神经网络的深度去研究的，并且是针对大规模的图像识别任务中。

2、研究背景、成果及意义

相关研究
1、AlexNet：ILSVRC-2012分类冠军，里程牌的CNN模型
AlexNet卷积神经网络设计理念会一直沿用，前面卷积池化进行特征提取，后面FC层分类的设计思想。
2、ZFNet：ILSVRC-2013分类冠军，对AlexNet改进
仅仅是对AlexNet超参数的改变
3、OverFeat：ILSVRC-2013定位冠军，集分类、定位和检测于一体的卷积网络方法
利用全卷积网络FCN将分类、定位和检测集于一体，在本文VGG测试技巧中的Dense稠密测试就需要用到这一概念。

1、AlexNet：卷积神经网络设计的范式，里程碑式的CNN模型，其“前特征提取后分类输出”的思想沿用至今

2、ZFNet：ZFNet模型只是对AlexNet进行了超参数的改变，并未提出一种广泛使用的tricks

3、OverFeat：OverFeat模型提出全卷积形式对图片进行预测


更正：2 * 2输出神经元对应到14 * 14中蓝色区域

相关研究对于VGG的启示
1、AlexNet：借鉴卷积模型结构；
2、ZFNet：借鉴其采用小卷积核思想；11 * 11（AlexNet）→7 * 7（ZFNet）→3 * 3（VGG）
3、OverFeat：借鉴全卷积，实现高效的稠密（Dense）测试；
4、NIN：尝试1 * 1卷积；VGG做了尝试，借鉴NIN利用1 * 1卷积

研究成果
VGG获得ILSVRC-2014中定位第1名，分类第2名的成绩

研究意义
1、开启小卷积核时代：33卷积核成为主流模型；
现在几乎看不到55或77卷积，33卷积就是从VGG模型中衍生而来的
2、作为各类图像任务的骨干网络结构：分类、定位、检测、分割一系列图像任务大都有VGG为骨干网络的尝试
采用VGG的意义：
①VGG简洁，不像GoogleNet中inception设计有太多的分支，卷积+池化+全连接层输出；
②VGG性能好，在众多任务中都有夺冠。

二、论文摘要及图表
摘要核心（Abstract）