VGG网络学习的总结

最新推荐文章于 2024-08-18 22:00:00 发布

cdy艳0917

最新推荐文章于 2024-08-18 22:00:00 发布

阅读量1.2k

点赞数

分类专栏：卷积神经网络

本文链接：https://blog.csdn.net/sinat_42239797/article/details/100578507

版权

本文总结了VGG16和VGG19网络的特点，探讨了小卷积核的优势、低阶与高阶特征的概念，以及ReLu、BN层的作用。VGG网络通过加深结构提取高阶特征，但参数量大，后续网络如Inception对此进行了优化。

摘要由CSDN通过智能技术生成

这篇主要是为了将来好查找VGG相关的东西而写的，如有不足，请指正
目前主要还是采用VGG16和VGG19也就是下图中的分别红框和绿框部分
在这里插入图片描述
其实VGG16与VGG19的区别就是前者在三、四、五部分少了一层卷积，上图可以看出VGG分有无BatchNormalization
VGG16网络的好处
接触过深度学习的应该都知道最早的卷积神经网络都是通过比较大的卷积核进行卷积来提取特征的（例如AlexNet，LeNet），虽然卷积核的尺寸越大，越能够总结空间信息。但是同样也增加了参数的数量，提高了计算量。而VGG网络通过每个block中多个3x3 的卷积核来代替之前的大尺寸卷积核，可以说是非常的nice！举个例子，用3个3x3的卷积核来卷积得到像素对应的感受野大小与一个7x7卷积核得到的感受野大小是一样的。但是，参数量却是差了近一倍（3x3x3=27，7x7=49）。

low/high-level feature map：即低阶/高阶特征。这是随着卷积网络的加深对不同深度的feature map的取名。低阶特征可以理解为颜色、边缘等特征，就好比是一个图片中车的轮廓。高阶特征可以理解为是更加抽象的特征，相当于更加细化的，比如说车中车轮，以及车轮中的车胎等。而通过卷积网络深度的增加，提取到的最后的高阶特征就是组成元素的基本组成单位：比如点、线、弧等。而最后的全连接层的目的其实就是进行这些高阶特征的特征组合。

**ReLu和BN：**即为激活函数层和归一化层。激活函