经典网络分析 - Very Deep Convolutional Networks for Large-Scale Image Recognition(VGG)

最新推荐文章于 2024-08-12 09:27:26 发布
最新推荐文章于 2024-08-12 09:27:26 发布
阅读量409 收藏
点赞数 1
分类专栏： INSUN - 论文解读 文章标签： 深度学习 卷积 人工智能 机器学习 卷积神经网络
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/sxcsxcsxcsxc/article/details/105456713
版权
本文深入分析经典卷积神经网络VGG，探讨小卷积核与网络深度对性能的影响。VGG通过堆叠3x3卷积层，证明深度提升能显著改善网络性能。实验表明，多尺度训练和预测可进一步增强模型效果，而模型融合能有效提高准确性。VGG在ILSVRC-2014中取得优异成绩。
摘要由CSDN通过智能技术生成

经典网络分析 - VGG

码字不易… 转载请注明出处

论文概述

AlexNet在ILSVRC-2010取得了成功后，人们便尝试通过对AlexNet进行改进，以便取得更好的效果，主要是从两个方面出发：
a. 更小的感受野（卷积核） + 更小的步长
b. Densely Network + 多尺度的训练和多尺度预测
而作者主要关注点是深度对网络的影响。

VGG使用3x3的卷积的堆叠，通过一系列的实验和比较验证了通过提高深度从而使网络性能有了显著的提升。VGG最终将网络深度提升到16-19层，并且在ILSVRC-2014取得了分类任务第二名，目标检查任务第一名的成绩。

所以该篇论文主要关注以下方面：
a. 小卷积核对网络影响
b. 论文中采用的实验方法
c. 网络的最优结构

如果读者之前阅读的论文量不是很大，那么在阅读论文的过程中会对以下一些名称或者方法感到困惑：multi scale training(多尺度训练)、mutil scale evalution(多尺度预测)、mutil crop evalution、 dense evalution、全卷积网络、CONVNET FUSION

技术细节

  1. 网络结构详解
    为了更好的分析深度对卷积神经网络的提升，作者在网络的每一层采用相同的设计原则。

VGG中采用的网络通用配置信息如下：

  • 输入数据 224x224 RBG image
  • 训练数据中的每一个像素点减去训练集RGB三通道对应的均值。
  • 作者在实验中只采用了 3x3 1x1 两种卷积，3x3可以感受周围空间的最小的卷积核， 1x1为模型额外增加了非线性变换
  • 采用SAME的卷积方式，在输入数据的四周进行补齐操作，确保输入输出的feature map具有相同的大小
  • 采用2x2 stride 2 max pooling
  • 卷积层和全连接层都采用Relu激活函数

网络结构分析
在这里插入图片描述
如图所示，作者设计了A-E六组实验进行比

最低0.47元/天 解锁文章
In_Sun
关注
专栏目录
深度学习研究理解10：Very Deep Convolutional Networks for Large-Scale Image Recognition
whiteinblue的专栏
02-06 2万+
本文是牛津大学 visual geometry group（VGG）Karen Simonyan 和Andrew Zisserman 于14年撰写的论文，主要探讨了深度对于网络的重要性；并建立了一个19层的深度网络获得了很好的结果；在ILSVRC上定位第一，分类第二。 一：摘要 …… 从Alex-net发展而来的网络主要修改一下两个方面： 1，在第一个卷基层层使用更小的filter尺寸和间
VGG: Very Deep Convolutional Networks for Large-Scale Image Recognition
Lorenzo's Oil
10-16 499
一、论文研究背景、成果 1.论文研究背景 自从2012年AlexNet将深度学习的方法应用到ImageNet的图像分类比赛中并取得state of the art的惊人结果后,大家都竞相效仿并在此基础上做了大量尝试和改进 1.小卷积核 在第一个卷积层用了更小的卷积核和卷积stride (Zeiler & Fergus, 2013;Sermanet et al, 2014) 2.多尺度 训练...
经典网络结构VGG-net《Very Deep Convolutional Networks for Large-Scale Image Recognition》
女王の专属领地
05-04 1040
论文地址：https://arxiv.org/abs/1409.1556论文翻译：http://blog.csdn.net/wangsidadehao/article/details/54311282VGG-Net来自牛津大学Andrew Zisserman 教授的组 (Oxford)，在2014年的 ILSVRC localization and classification 两个问题上分别取得...
E: Unable to locate package libjasper-dev
最新发布
weixin_43638873的博客
08-12 136
【代码】E: Unable to locate package libjasper-dev。
VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION译文
小时候贼聪明
03-12 2万+
仅供参考，如有翻译不到位的地方敬请指出。论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition译文地址：http://blog.csdn.net/wspba/article/details/61625387
Very Deep Convolutional Networks for Large-Scale Image Recognition
雨石
10-02 2万+
这篇论文是今年9月份的论文[1]，比较新，其中的观点感觉对卷积神经网络的参数调整大有指导作用，特总结之。关于卷积神经网络(Convolutional Neural Network, CNN)，笔者后会作文阐述之，读者若心急则或可用谷歌百度一下。
VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
长风破浪会有时，直挂云帆济沧海
03-19 5万+
论文理解 - VGGNet - Very Deep Convolutional Networks for Large-Scale Image Recognition [VGG-Paper] [原文地址 - Very deep convolutional networks for large-scale image recognition] 一篇对 VGGNet 理解比较详细的博客，很长...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
03-01
这篇文章的标题为“VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION”，主要讨论了在大规模图像识别中，卷积神经网络（ConvNets）深度对准确率的影响。文章的核心贡献是对不同深度的网络进行了...
【论文阅读】Very deep convolutional networks for large-scale image recognition
MoFMan的博客
07-08 755
【论文阅读】Very deep convolutional networks for large-scale image recognition
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition
qq_39109729的博客
10-01 787
论文阅读：VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition 1、摘要 ​ 在这篇论文中，作者对卷积神经网络的深度对于其在大规模图像数据集的识别的准确性做了一个完全的评估，特点在于将CNN的网络深度提升到了16-19层，提升了大规模图像的识别准确性；同时有证明了VGG在深度视觉表征中具有较强的泛化能力。 2、引言 ​ 引言部分作者总结了自AlexNet以来CNN在大规模图像识别中的广泛应用，
VGG:VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
MR CODER
12-13 311
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION ImageNet2014 定位第一，分类第二 "VGG"代表，牛津大学的Oxford Visual Geometry Group VGG 的特点： （1）小卷积核：作者将卷积核全部替换为3*3，极少用了1*1 （2）小池化核：相比AlexNet的3*3的池化核，V...
论文笔记：Very Deep Convolutional Networks for Large-Scale Image Recognition
qq_43409114的博客
05-30 398
前言 论文：Very Deep Convolutional Networks for Large-Scale Image Recognition 一、INTRODUCTION 作者在这篇论文中提出了如何解决卷积网络深度的问题。作者先是固定好模型的其他部分参数，然后通过增加一些卷积层来逐渐增大网络的深度，而且作者的卷积层使用的是非常小的卷积核 In this paper, we address another important aspect of ConvNet architecture design
【论文阅读】Very Deep Convolutional Networks For Large-Scale Image Recogniton（VGG）
你的深度学习小站
11-17 712
Very Deep Convolutional Networks For Large-Scale Image Recogniton 1. 摘要 ​ 作者调查了卷积网络深度对其在大规模图像识别的准确率上的影响。 ​ 主要贡献是对网络深度增加进行彻底的评估，用一个具有非常小卷积核的网络结构，展示了一个在现有技术配置上的重大提升，可以通过将深度加至16-19层来达到。 ​ 这些发现是2014年ImagetNetImagetNetImagetNet挑战的基础，作者的团队分别在定位和分类追踪赢得了第一和第二名。 ​
论文笔记：Very deep convolutional networks for large-scale image recognition（VGG）
upup
06-05 2480
一、基本信息 标题：Very deep convolutional networks for large-scale image recognition 时间：2014 出版源：arXiv 论文领域：CNN、深度学习 引用格式：Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014. 二、研究背景 在
论文学习：（VGG）Very Deep Convolutional Networks for Large-scale Image Recognition
qq_36627158的博客
12-11 821
目录 感想 论文链接 文章讲解 网络结构 感想 这篇文章在网络结构上没有太大的创新点。但提出了 “ small filter 同样能提取重要特征” 和 “deep network 的重要性”。 论文链接 Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556...
【VGG2015】Very Deep Convolutional Networks for Large-Scale Image Recognition
我的博客
10-17 768
在这项工作中，我们研究了卷积网络深度对其在大规模图像识别环境中的准确性的影响。我们的主要贡献是使用一个具有非常小的（3×3）卷积滤波器的架构对深度增加的网络进行了彻底的评估，这表明通过将深度推到16-19个权重层可以实现对先有技术配置的显著改善。这些发现是我们提交ImageNet挑战赛2014的基础，我们的团队分别获得了定位和分类赛道的第一和第二名。我们还表明，我们的表征在其他数据集上有很好的通用性，它们在那里取得了最先进的结果。我们公开了两个表现最好的ConvNet模型，以促进在计算机视觉中使用深度视觉表
Very Deep Convolutional Networks for Large-Scale Image Recognition(精读)
小胜爱捣鼓
11-04 2968
一.文献名字和作者     Very Deep Convolutional Networks for Large-Scale Image Recognition. Karen Simonyan,Andrew Zisserman     二.阅读时间     2014年11月4日 三.文献的目的     文献的主要目的在于测试随着深度的加深，卷积神经网络对于大规模
Very Deep Convolutional Networks For Large-Scale Image Recognition(VGGnet)
励志的小胡子
03-06 1186
用于大规模图像识别的非常深的卷积神经网络 Abstract(摘要) 在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献使使用非常小()卷积滤波器的架构对越来越深的网络进行全面评估，这表明通过将深度堆到16-19的权重层可以实现对现有技术配置的显著改进。这些发现使我么提交的ImageNet Challe...
VGG - Very Deep Convolutional Networks for Large-Scale Image Recognition
AI小作坊 的博客
11-29 959
Very Deep Convolutional Networks for Large-Scale Image RecognitionICLR 2015 (oral) http://www.robots.ox.ac.uk/~vgg/research/very_deep/本文针对 AlexNet 的改进主要集中在 网络的深度， depth。通过固定其他网络的结构和参数，来增加网络的深度（通过使用3*3的
Very Deep Convolutional Networks for Large-Scale Image Recognition" by Karen Simonyan and Andrew Zisserman (2014)
05-12
"Very Deep Convolutional Networks for Large-Scale Image Recognition" is a research paper by Karen Simonyan and Andrew Zisserman, which was published in 2014. The paper introduces the architecture of ...
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