该博客探讨了YOLOv5使用VGG13、VGG16和VGG19作为主干网络的效果。通过深度增加的卷积网络架构评估，作者发现更深的网络在大规模图像识别任务上取得显著提升。实验结果显示，这些模型在ImageNet挑战中表现出色，并且在其他数据集上也达到最先进的结果。博客提供了yolov5-vgg13、yolov5-vgg16和yolov5-vgg19的配置文件。
论文地址：https://arxiv.org/pdf/1409.1556.pdf
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准确性的影响。我们的主要贡献是对使用非常小（3×3）卷积滤波器的架构的不断增加深度的网络进行了彻底评估，这表明通过将深度推进到16-19个权重层，可以在先前的艺术配置上取得显著改进。这些发现是我们2014年ImageNet挑战赛提交的基础，在该挑战赛中，我们的团队分别在定位和分类跟踪中获得了第一和第二名。我们还展示了我们的表示如何很好地推广到其他数据集，在那里它们达到了最先进的结果。我们已经将我们表现最好的两个ConvNet模型公开可用，以促进进一步研究在计算机视觉中使用深度视觉表示。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
