【图像分类】更深的网络VGGNet

1.VGGNet概述：

VGGNet在AlexNet基础上创建了更深层的网络，与GoogLeNet一起在2014年image net竞赛中表现出色。VGGNet和GoogLeNet一起进一步提升了深度学习在图像领域的表现。VGGNet证明了在一定程度上随着网络的加深，网络的能力也有明显的提高。

2.VGGNet网络结构

VGGNet网络中提供了多种网络结构，A-E的网络结构是基本一致的，最大的区别在于结构中卷积核的数量和大小不同，目前普遍使用的是D，E两种结构，即为人熟知的VGG16和VGG19。

以VGG16为例：

input图像输入为224*224*3

第一层结构：3*3*64串联3*3*64串联maxpooling。此层结构采用了3*3的卷积核进行串联，这个串联结构是VGG的首创，并且取得了非常不错的结果。

第二层结构：3*3*128串联3*3*128串联maxpooling。

第三层结构：3*3*256串联三次，再串联maxpooling

第四层结构：3*3*512串联三次，再串联maxpooling

第五层结构：3*3*512串联三次，再串联maxpooling

最后：两层FC全链接，利用softmax输出。

 

VGG结构的主要特点：

1.用小的卷积核串联替代大的卷积核：

例如用两个3*3的卷积核串联可以替代一个5*5的卷积核，用3个3*3的卷积核串联可以替代一个7*7的卷积核。如图所示，两个串联的3*3卷积核感受野和单独的5*5卷积核完全一样。

用小卷积核串联的方法替代大卷积核有什么优势呢：

（1）增加了非线性函数，增强网络的判别力。对于一个大的卷积核来说只有一个非线性激活函数，但是对于多个小卷积核的串联，可以经过多个非线性激活函数。因此，模型能够抽取得到更具有表达力的特征。

（2）减少卷积参数。对于一个（C，H，W）的图片，7*7的卷积核需要参数数量为

2.递增的通道数。

受到AlexNet的启发，VGGNet采用了输出的feature map通道递增的方法，层数越深输出通道数越多。这样特征维度越高，能够获得的特征类型越丰富。

3.最后一层采用全卷积替换全连接。

使用1*1的卷积替代全连接网络，这样做可以接收任意宽高图片作为输入。

4.实验证明了LRN的无用