VGGNet 论文精度，并解析 VGG-16 网络模型结构

最新推荐文章于 2024-07-02 00:05:18 发布
最新推荐文章于 2024-07-02 00:05:18 发布
阅读量3.4k 收藏 17
点赞数 3
分类专栏： 论文精读_解析模型结构 文章标签： 人工智能 深度学习 神经网络 机器学习
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/qq_54185421/article/details/125372642
版权

《VERY DEEP CONVOLUTIONAL NETWORKSFOR LARGE-SCALE IMAGE RECOGNITION》

《大规模图像识别的深度卷积网络》

论文地址：https://arxiv.org/abs/1409.1556 

目录

一、引言

二、结论

三、VGGNet 网络模型结构

四、VGG 相对于AlexNet 的改进

一、引言

本文研究了卷积网络深度对其在大规模图像识别数据集中准确率的影响。我们的主要贡献是对使用非常小( 3×3 )卷积滤波器的架构来增加深度的网络进行了深入的评估，这表明通过将深度推到16 - 19个权重层可以显著改善现有的配置。这些发现是我们ImageNet挑战赛2014年提交的基础，我们的团队分别在定位和分类轨道上获得了第一名和第二名。我们还表明，我们的表示很好地推广到其他数据集，它们在那里取得了最新的结果。我们已经公开提供了两个性能最好的ConvNet模型，以便进一步研究在计算机视觉中使用深度视觉表示。

其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。

二、结论

在本工作中，我们评估了用于大规模图像分类的非常深度卷积网络( 最多 19个权重层 )。研究表明，表示深度有利于提高分类精度，并且可以使用深度大大增加的传统ConvNet架构《ImageNet classification with deep convolutional neural net-works》实现ImageNet挑战数据集上的最新性能。在附录中，我们也表明我们的模型能够很好的推广到广泛的任务和数据集，匹配或优于围绕较少深度图像表示构建的较复杂的recognition pipelines。我们的结果再次证实了深度在视觉表征中的重要性。

三、VGGNet 网络模型结构

不同的VGG卷积神经网络的配置如下图所示，

  • LRN：local response normalization，局部响应归一化，利用近邻数据进行归一化。
  • MaxPool：最大值池化，即在池化范围内选取一个最大值像素。
  • FC：全连接层。
  • 每一列都是一个卷积神经网络的配置。
  • 因为增加了一些层（粗体表示增加的层），故配置的深度从左往右逐渐增加。
  • 卷积层（conv layer）的参数被记为：“conv<感受野大小>-<通道数>”。
  • 所有的激活函数都选取ReLU，为了简洁，表格中没有展示ReLU激活函数。
  • 所有的配置都遵循相同的框架（AlexNet：5个卷积层和3个全连接层）。
  • A-E只在深度方向上有差异，从网络A中的11个权重层到E中的19个权重层。
  • 卷积层的深度（通道数）相当小，从第一层的64开始，在每一个最大值池化层后增加2倍，直到达到512层。 

因为A-E中，VGG16的综合效果最好，并且被广泛应用，下面用VGG16的模型结构对VGGNet进行深入剖析。

其中Conv3-64代表：64个3*3，深度为3的卷积核；Conv3-128代表：128个3*3，深度为64的卷积核。值得注意的是，每一层的卷积核的深度可能不一致，取决于上一层的图像的深度。

下图是卷积的工作过程，96个1*1，深度为96的卷积核，把28*28*192的图像卷积成大小为28*28*96的图像（降低维度）。

 四、VGG 相对于AlexNet 的改进

VGG没有在第一层使用相对较大的感受野，而AlexNet在第一层使用11*11的卷积核，步长=4，VGG在整个网络中使用非常小的3*3感受野，这些感受野与每个像素的输入（步长1）相卷积。

不难看出，由两个中间没有空间池化的3*3卷积核组成的卷积层，有一个5*5大小的有效感受野；同理可知，三个卷积核组成的卷积层，则有一个7*7的有效感受野。

如下图所示，7*7的图像分别经过3个3*3的卷积核后，其感受野增长到了7*7，即经过三次卷积后的图像中的一个像素，和第一层图像中的7*7个像素有关联。

所以我们用3个3×3的卷积叠层代替单个7×7的卷积叠层得到了什么?

  • （1）首先，我们用三个非线性校正层（ReLus）代替一个非线性校正层（ReLU），使得决策函数更具区分度。
  • （2）其次，我们减少了参数个数：假设三层3 × 3卷积堆的输入和输出都有C通道，堆栈参数为3(3^{2}C^{2})=27C^{2}个权重；同时，单个7 × 7层需要7^{2}C^{2}=49C^{2}个权重，计算量多了81 %以上。
  • （3）最后，多个卷积堆叠在一起可以使得模型的深度增加，证明了本文章的结论：深度在视觉表征中的重要性。

相对于AlexNet，在VGG16-C中使用了1*1的卷积层，1*1的卷积层是一种增加决策函数非线性而又不影响卷积层的感受野的方法。即使在我们的情况下，1 × 1卷积本质上是在同维空间( 输入和输出通道数目相同 )上的线性投影，但由the rectification function引入了额外的非线性项。应该指出的是，《Network in Network》论文使用了1×1的卷积层。

 >>>如有疑问，欢迎评论区一起探讨！

Flying Bulldog
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
基于卷积神经网络VGG16的皮革瑕疵识别与检测的研究（论文部分）
北天的博客
06-07 1657
基于卷积神经网络VGG16的皮革瑕疵识别与检测的研究（论文部分）
深度学习VGG网络论文
12-12
2015年英国牛津大学karen simonyan深度学习的vgg模型论文原文
经典神经网络论文超详细解读（二）——VGGNet学习笔记（翻译＋精读）
路人贾的博客
12-03 4102
VGGNet（《Very Deep Convolutional Networks For Large-Scale Image Recognition》）超详细解读（翻译＋精读总结）
深度学习（论文版）| 基于 VGG16-UNet 语义分割模型的猫狗图像提取研究
最新发布
ttrr27的博客
07-02 1377
Hi，大家好，我是半亩花海。本实验本项目基于 VGG16-UNet 架构，利用 Labelme 标注数据和迁移学习，构建高效准确的猫狗图像分割模型。通过编码器-解码器结构（特征提取-上采样）提升分割精度，适应不同场景，推动图像分割技术发展。
VGGNet论文总结
Alter__的博客
06-01 1771
文章目录VGG简介VGGNet目的和结果VGGNet架构和特点VGGNet的训练训练时图像处理测试测试的两种策略 VGG简介 论文名称：《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》。 作者团队：Karen Simonyan ∗ & Andrew Zisserman +；Visual Geometry Group, Department of Engineering Science, University o
VGG16论文解读
MinevaG的博客
04-11 749
对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。注：很多pretrained的方法就是使用VGG的model（主要是16和19），VGG相对其他的方法，参数空间很大，最终的model有500多m，AlexNet只有200m，GoogLeNet更少，所以train一个vgg模型通常要花费更长的时间，所幸有公开的pretrained model让我们很方便的使用。
深度学习主干网络-VGG16论文网络实现，参数介绍，数据处理，单通道，多通道数据，最大池化可视化。带源码。
weixin_43005832的博客
03-10 4024
深度学习主干网络-VGG16论文网络实现，参数介绍，数据处理，单通道，多通道数据，最大池化可视化。带源码。
VGGNet论文
weixin_41977512的博客
09-19 567
一、介绍 1、提升卷积神经网络原始架构性能的方法 1）使用更小的接受窗口(receptive window size)和对第一个卷积层使用更小的步幅(stride) 2）通过所有图像和多种规模平反地对训练网络和测试网络进行处理 3）(本文)聚焦网络的深度。首先固定网络架构中的其它参数，然后通过加入更多的卷积层来逐渐增加网络的深度。这个方案是可行的，因为在所有层中所使用的卷积过滤器都非常小（33 二...
VGGnet的论文资料
05-17
VGGnet的论文资料
深度学习图像分类网络(一)：VGG VGGNet16/19网络架构演变以及模型搭建
l love CV
04-22 3337
论文名称：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 翻译：大规模图像识别的深度卷积神经网络。作者：Karen Simonyan & Andrew Zisserman。单位：VGG（牛津大学视觉几何组） 发表会议及时间：ICLR 201 介绍一下ILSVRC：大规模图像识别挑战赛 ImageNet Large Scale Visual Recognition Challenge 是李飞飞等人于2010年创办的图
VGG结构解析及tensorflow代码实现(初学者，配套自己代码实现，可以快速部署到应用中)
stesha_chen的博客
07-28 9878
目录 VGG论文 tensorflow网络实现 VGG fine-tune(vgg fine-tuning) 总结 VGG 论文 1. 前言 VGG 论文地址        论文标题为Very Deep Convolutional Networks For Large-scale Image Recognition。从标题可以看出作者主要是从网络的深度...
DL之VGGNet：VGG系列神经网络算法的的简介(论文介绍)、架构详解、模型训练、模型下载、案例应用等配图集合之详细攻略
热门推荐
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
06-04 1万+
​ DL之VGGNet：VGG系列神经网络算法的的简介(论文介绍)、架构详解、模型训练、模型下载、案例应用等配图集合之详细攻略 目录 相关论文 VGG系列算法的简介 VGG系列算法的模型训练 VGG系列算法的模型下载 相关文章 DL之VGGNet：VGGNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻 DL之VGGNet：VGGNet算法的架构详解、损失函数、网络训练和测试之详细攻略 相关论文 《Very Deep Convolutional Netw
TF2.0深度学习实战（五）：搭建VGG系列卷积神经网络
不积跬步，无以至千里！
04-03 9960
你与AI只差这一步~
U-Net论文学习
南桥几经秋
06-21 1819
1、标题 U-Net: Convolutional Networks for Biomedical Image Segmentation U-Net：用于生物医学图像分割的卷积网络 2、概述 3、网络结构
深度学习：详解VGGNet论文
Vermont_的博客
09-25 1987
一、简介 VGG Net由牛津大学的视觉几何组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的的深度卷积神经网络，在ILSVRC 2014上取得了第二名的成绩，将 Top-5错误率降到7.3%。它主要的贡献是展示出网络的深度（depth）是算法优良性能的关键部分。目前使用比较多的网络结构主要有ResNet（152-1000层），GooleNet（22层），VGGNet（19层），大多数模型都是基于这几个模型上改进，采用新的优化算法，多...
VggNet 论文分析
qq_41033011的博客
12-01 1152
文章目录题目：论文总览Part 1：论文导读研究背景研究成果Part 2：论文精读摘要论文小标题2. VGGNet 网络结构3. Classification Framework3.1 Training3.2 Testing3.3 Implementation Details4. Classification Experiments4.1 Single Scale Evaluation4.2 Multi-Scale Evaluation4.3 Multi-Crop Evaluation4.4 Convent
VGGNet论文（Very Deep Convolutional Networks for Large-Scale Image Recognition）（译）
hongbin_xu的博客
06-22 8153
Very Deep Convolutional Networks for Large-Scale Image Recognition 仅供参考，个人水平有限，如有不足谢谢指正。 原文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition 摘要 在这项工作中，我们研究了卷积网络的深度对大规模图像识别任务精度的...
CV（计算机视觉）领域四大类之图像分类一（VGG16）（含论文和源码）
m0_61059963的博客
10-04 2154
vgg16算法实现图片分类（pytorch版本）
【论文详解】VGGNet(2014)
小陈说CV的博客
07-21 286
文章目录1 论文信息2 摘要3 方法论3.0 网络结构3.13.23.33.44 实验4.1 定性分析4.2 定量分析 1 论文信息 题目：Very Deep Convolutional Networks for Large-Scale Image Recognition 代码：Tensorflow复现，Pytorch复现 2 摘要 VGGNet 是牛津大学CV组和谷歌DeepMind共同研发，取得了2014ILSVRC亚军。 主要创新在于加深了CNN，使用了小卷积核与小滤波器，通道数增多。 3 方法论 3
基于tensorflow的vgg16
05-22
VGG16是深度学习中非常经典的模型之一，其使用了16层卷积神经网络来进行图像分类任务。下面是基于TensorFlow实现VGG16的代码： ```python import tensorflow as tf from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense def vgg16(input_shape=(224, 224, 3), num_classes=1000): inputs = Input(shape=input_shape) # Block 1 x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(inputs) x = Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv2')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x) # Block 2 x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv1')(x) x = Conv2D(128, (3, 3), activation='relu', padding='same', name='block2_conv2')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x) # Block 3 x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv1')(x) x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv2')(x) x = Conv2D(256, (3, 3), activation='relu', padding='same', name='block3_conv3')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x) # Block 4 x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv1')(x) x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv2')(x) x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block4_conv3')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x) # Block 5 x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv1')(x) x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv2')(x) x = Conv2D(512, (3, 3), activation='relu', padding='same', name='block5_conv3')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='block5_pool')(x) # Classification block x = Flatten(name='flatten')(x) x = Dense(4096, activation='relu', name='fc1')(x) x = Dense(4096, activation='relu', name='fc2')(x) outputs = Dense(num_classes, activation='softmax', name='predictions')(x) # Create model model = tf.keras.Model(inputs, outputs) return model ``` 以上代码定义了一个名为`vgg16`的函数，它接受输入的图像大小和输出类别数，并返回一个完整的模型。模型的实现与VGG16论文中所描述的架构一致，包括5个卷积块和一个分类块。 你可以通过调用`vgg16()`函数来创建一个新的VGG16模型，如下所示： ```python model = vgg16(input_shape=(224, 224, 3), num_classes=1000) ``` 其中，`input_shape`指定了输入图像的大小，`num_classes`指定了模型输出的类别数。你可以根据自己的需要来调整这些参数。
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

打赏作者

Flying Bulldog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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