VGG

最新推荐文章于 2023-01-04 09:16:19 发布
最新推荐文章于 2023-01-04 09:16:19 发布
阅读量2.4k 收藏 28
点赞数
分类专栏： 论文阅读 文章标签： vgg
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/shayashi/article/details/86506347
版权

Very Deep Convolutional Networks For Large-Scale Image Recogntion

一、摘要

VGG的主要贡献是表明：通过增加网络深度并且使用非常小的卷积核对网络效果有很大的改善。

二、简介

通过增加深度和使用小卷积核搭建的网络不仅在ILSVRC数据集上表现好，同样也使适用其它数据集。

三、ConvNet结构

这一节详细描述了ConvNet的网络结构。

3.1结构Architecture

预处理：减去像素均值
输入：224x224RGB图像
卷积层：感受野3x3和1x1（1x1可以看出线性转换），步长1
padding：1像素 for 3x3卷积核
pooling：5个max-pooling层，跟在卷积层后面（但不是每个卷积层后都有pooling）。max-pooling的核是2x2，步长2
全连接层（FC）：3个全连接层
soft-max层：最后一层
激活函数：ReLU
网络不使用局部响应响应规范化（Local Response Normalisation）：因为没有提高性能，反而增加了内存消耗和计算时间。

3.2配置Configuration

网络配置
网络配置
网络参数
网络参数

3.3讨论Discussion

1.三个3x3感受野的叠加效果等同于一个7x7的感受野，为什么用三个3x3而不用一个7x7？
（1）使用三个非线性修正函数，使得决策函数更可分。
（2）减少了参数数量。假设通道数为C，则三个3x3参数个数为 3 ( 3 2 C 2 ) = 27 C 2 3\left ( 3^{2}C^{2} \right )=27C^{2} 3(32C2)=

最低0.47元/天 解锁文章
shayashi
关注
  • 0
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TensorFlow学习总结（八）卷积神经网络——VGG特征
Raoodududu的博客
09-20 590
一、引入 1.发展 2.特点  （1）全部使用3×3的卷积核，步长1；和2×2的池化核，步长2；通过不断加深网络结构提升性能。 （2）两个3×3卷积层串联优于一个7×7卷积层，使得CNN对特征学习能力更强。 （3）不用LRN层；越深层网络效果越好。 二、tensorflow实现  1.实现计算前向预测和反向测评时间 （1）导入 from datetime import da...
SSD ,讲的不错，适合回顾用
Arthur_Holmes的博客
10-12 437
SSD github : https://github.com/weiliu89/caffe/tree/ssd SSD paper : https://arxiv.org/abs/1512.02325 SSD 动态PPT： https://docs.google.com/presentat...
VGG详解
tt丫的博客
01-04 4178
一、VGG网络的背景 二、VGG网络结构 1、各网络结构参数图示 2、输入 3、双层 —— 一层卷积+（一层卷积+最大池化） 4、三层 —— 两层卷积+（一层卷积+最大池化） 5、全连接层——分类判决 6、拓展：VGG16_bn 三、VGG网络的亮点——连续小卷积核代替大卷积核 四、VGG网络的不足 五、VGG代码实现 一、VGG网络的背景 AlexNet问世之后，很多学者通过改进AlexNet的网络结构来提高自己的准确率，主要有两个方向：小卷积核和多尺度。 而VGG的作者们则选择
我的第一个可视化VGG
weixin_44886683的博客
12-13 506
# -*- coding:utf-8 -*- import numpy as np import tensorflow as tf import time from PIL import Image import matplotlib.pyplot as plt # VGG 自带的一个常量，之前VGG训练通过归一化，所以现在同样需要作此操作 VGG_MEAN = [103.939, 116.7...
VGG 网络介绍
qq_43369406的博客
10-24 1149
VGG 网络介绍
VGG_vgg_
10-01
VGG网络模型是深度学习领域中的一个里程碑式的工作，由牛津大学的Visual Geometry Group（VGG）在2014年的ImageNet Large Scale Visual Recognition Challenge（ILSVRC）上提出。这个模型以其深而狭窄的网络结构著称...
vgg16-397923af.pth
08-17
VGG16是一个著名的卷积神经网络（CNN）模型，由英国剑桥大学的Visual Geometry Group（VGG）在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 中提出。这个模型因其深度和准确性而备受关注，...
vgg16_bn-6c64b313.pth
08-17
标题中的"vgg16_bn-6c64b313.pth"是一个预训练模型的权重文件，常用于计算机视觉（CV）领域的深度学习任务。这个文件是VGG16网络模型的一个版本，带有批归一化（Batch Normalization，BN）层，其哈希值为"6c64b313...
vgg_16_weights权重文件
01-20
VGG16是一种著名的卷积神经网络（Convolutional Neural Network, CNN）模型，由英国牛津大学的Visual Geometry Group在2014年的ImageNet Large Scale Visual Recognition Challenge（ILSVRC）上提出。该模型因其深度...
vgg16_VGG16_
10-01
VGG16是一种深度卷积神经网络（Convolutional Neural Network, CNN）模型，由英国牛津大学的Visual Geometry Group（VGG）在2014年的ImageNet竞赛中提出。该模型以其深而窄的架构闻名，拥有16个处理层，其中13层是卷...
VGG网络结构特点
Hg_Four_Li的博客
08-03 3630
VGG简单介绍 VGG简介 模型的名称——“VGG”代表了牛津大学的Oxford Visual Geometry Group，该小组隶属于1985年成立的Robotics Research Group，该Group研究范围包括了机器学习到移动机器人。下面是一段来自网络对同年GoogLeNet和VGG的描述：“GoogLeNet和VGG的Classification模型从原理上并没有与传统的CNN模型有太大不同。大家所用的Pipeline也都是：训练时候：各种数据Augmentation（剪裁，不同大小，调亮
VGG笔记
duanmuji的博客
10-25 4505
VGG的网络参数 VGG与AlexNet对比 VGG基于AlexNet发展而来，特点在于使用的卷积核大小均为3*3，并将网络深度加深。 网络 不同之处 - - - - 相同之处 - AlexNet 多种大小的卷积核 深度为8 3层3*3最大池化层，stride=2，重叠池化 参数量60M - 激活函数ReLu，softmax分类 VGG 卷积核多为3 * 3 ，C引入...
【深度学习】VGG-16网络结构
zkq_1986的博客
12-18 1万+
VGG-16，输入层214*214*3，经过两层相同的卷积，卷积filter为3*3，stride为1，filter数为64，然后经过一层pooling。接着按照相同的方式，让宽和高越来越小，而通道数逐倍增加，直到512。最后用两层相同全连接加一个softmax。 VGG-16的性能与VGG-19差不多，所以基本用VGG-16
CNN发展简史——VGG（三）
散修炼丹师手记
04-29 4221
简介 VGGNet是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet（谷歌为了纪念LeNet，所以用的大写L）。先讲VGG，因为它这个模型在多个迁移学习任务中的表现要优于GoogLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是这个模型很有研究价值。 原论文地址：https://arxiv.org/pdf/14...
VGGNet介绍
热门推荐
上善若水
07-09 8万+
VGGNet介绍1 简要概括    VGGNet由牛津大学计算机视觉组合和Google DeepMind公司研究员一起研发的深度卷积神经网络。它探索了卷积神经网络的深度和其性能之间的关系，通过反复的堆叠3*3的小型卷积核和2*2的最大池化层，成功的构建了16~19层深的卷积神经网络。VGGNet获得了ILSVRC 2014年比赛的亚军和定位项目的冠军，在top5上的错误率为7.5%。目前为止，VG...
利用预训练的VGG提取图像特征（pytorch）
qq_41893638的博客
02-27 6894
​ 核心部分 a=vgg.features(img)#使用feature获取特征层（卷积层）的特征；输出特征维度为【1，512，4，4】 b=vgg.avgpool(a)#使用vgg定义的池化操作；输出特征维度为【1，512，7，7】 b=torch.flatten(b,1)#将特征变成一维度；输出特征维度为【1，25088】 c=vgg.classifier[:1]#使用分类层的的第一层，当然可以选择数；输出特征维度为【1，4096】 前言 需要pytorch预训练模型VGG19提取图像特征，但VGG1
[caffe]深度学习之图像分类模型VGG解读
Mr. Mao的专栏
01-15 3464
一、简介 vgg和googlenet是2014年imagenet竞赛的双雄，这两类模型结构有一个共同特点是go deeper。跟googlenet不同的是，vgg继承了lenet以及alexnet的一些框架，尤其是跟alexnet框架非常像，vgg也是5个group的卷积、2层fc图像特征、一层fc分类特征，可以看做和alexnet一样总共8个part。根据前5个卷积group，每个grou
深度学习卷积神经网络——经典网络VGG-16网络的搭建与实现
loveliuzz的博客
01-23 4万+
一、VGG-16网络框架介绍 VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的深度卷积神经网络。 VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层， VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-
pytorch VGG
最新发布
08-24
PyTorch是一个开源的机器学习框架，它提供了许多方便的工具和函数来构建和训练深度神经网络。VGG是一种经典的卷积神经网络模型，由牛津大学的研究团队开发。VGG模型以其简单而有效的结构而闻名，被广泛用于图像分类任务。 在PyTorch中，你可以使用预先训练好的VGG模型，也可以根据自己的需求自定义VGG模型。预训练好的VGG模型可以通过torchvision库来获取。你可以使用torchvision.models中的vgg系列函数来加载不同版本的VGG模型，如VGG16和VGG19等。 要加载预训练好的VGG模型，你可以使用以下代码： ```python import torch import torchvision.models as models # 加载VGG16模型 model = models.vgg16(pretrained=True) ``` 加载预训练好的VGG模型后，你可以使用该模型进行图像分类等任务，也可以对模型进行微调或特征提取。希望这个回答能帮到你！如果还有其他问题，请随时提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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