论文笔记 Very Deep Convolutional Networks for Large-Scale Visual Recognition - ICLR 2014

已于 2022-04-11 21:42:40 修改
阅读量1.8k 收藏 1
点赞数 1
分类专栏： 图像分类 文章标签： 深度学习 cnn 计算机视觉
于 2022-02-15 17:21:00 首次发布
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/weixin_43791477/article/details/122948897
版权
这篇博客介绍了Karen Simonyan和Andrew Zisserman在2014年提出VGGVeryDeepConvolutionalNetworks，通过堆叠小尺寸卷积核降低参数，VGG16和VGG19在ILSVRC'14竞赛中表现出色，特别强调了FC7特征的通用性和使用ensembles获取最佳效果。参数计算和内存占用详细列出，展示了模型的结构与参数特点。
摘要由CSDN通过智能技术生成

VGG Very Deep Convolutional Networks for Large-Scale Visual Recognition

Karen Simonyan and Andrew Zisserman ICLR, 2014 (PDF) (Citations 73354)

Contribution

  • 通过堆叠多个3x3的卷积核来替代大尺度卷积核（减少所需参数，两个3x3的卷积核和一个5x5的卷积核具有相同的感受野，三个3x3的卷积核和一个7x7的卷积核具有相同的感受野）。
  • AlexNet提出的LRN实际用处不大（可以使用BN）。

Details

  • ILSVRC’14 2nd in classification, 1st in localization
  • Use VGG16 or VGG19 (VGG19 only slightly better, more memory)
  • Use ensembles for best results
  • FC7 features generalize well to other tasks

参数计算（VGG16, not counting biases）

Layerinput sizememoryparams
INPUT[224×224×3]224×224×3=150K0
CONV3-64[224×224×64]224×224×64=3.2M(3×3×3)×64=1,728
CONV3-64[224×224×64]224×224×64=3.2M(3×3×64)×64=36,864
POOL2[112×112×64]112×112×64=800K0
CONV3-128[112×112×128]112×112×128=1.6M(3×3×64)×128=73,728
CONV3-128[112×112×128]112×112×128=1.6M(3×3×128)×128=147,456
POOL2[56×56×128]56×56×128=400K0
CONV3-256[56×56×256]56×56×256=800K(3×3×128)×256=294,912
CONV3-256[56×56×256]56×56×256=800K(3×3×256)×256=589,824
CONV3-256[56×56×256]56×56×256=800K(3×3×256)×256=589,824
POOL2[28×28×256]28×28×256=200K0
CONV3-512[28×28×512]28×28×512=400K(3×3×256)×512=1,179,648
CONV3-512[28×28×512]28×28×512=400K(3×3×512)×512=2,359,296
CONV3-512[28×28×512]28×28×512=400K(3×3×512)×512=2,359,296
POOL2[14×14×512]14×14×512=100K0
CONV3-512[14×14×512]14×14×512=100K(3×3×512)×512=2,359,296
CONV3-512[14×14×512]14×14×512=100K(3×3×512)×512=2,359,296
CONV3-512[14×14×512]14×14×512=100K(3×3×512)×512=2,359,296
POOL2[7×7×512]7×7×512=25K0
D[1×1×4096]40967×7×512×4096=102,760,448
FC[1×1×4096]40964096×4096 = 16,777,216
FC[1×1×1000]10004096×1000 = 4,096,000

TOTAL memory: 24M × 4 bytes ≈ 96MB / image (for a forward pass)

TOTAL params: 138M parameters

Notes:

  • Most memory is in early CONV
  • Most params are in late FC

References

CiLin-Yan
关注
专栏目录
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4195
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
深度学习论文：Deep Residual Learning for Image Recognition
热门推荐
人生当苦无妨
02-04 1万+
论文： He, Kaiming, et al. "Deep residual learning for image recognition." Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. Abstract 深度神经网络难以训练，本文提出残差块来简化比以往深很多网络的训...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
03-01
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION非常经典的VGG-NET框架就是出自这篇文章
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNTION（翻译）
weixin_34152820的博客
09-09 503
0 - ABSTRACT 　　在这个工作中，我们研究了卷积网络的深度对于它在大规模图像识别设置上的准确率的效果。我们的主要贡献是对使用非常小的卷积核（3×3）来增加深度的网络架构进行彻底评估，这说明了通过将深度增加到16-19层能够比之前最好的业界水平更好。这些发现是我们参加ImageNet Challenge 2014的基础，在这个比赛中我们团队在定位和分类追踪任务上分别获得了第一和第二的名次...
论文阅读：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION（VGG）
j879159541的博客
06-24 460
文章目录1、论文总述2、 3*3卷积核的两个好处3、The initialisation of the network weights4、测试时候输出尺寸不固定的两种处理方法5、训练与测试时候的不同输出尺度的对应计算关系（1）单尺度测试（2）多尺度测试 1、论文总述 这是一篇2015年的工作，提出了一个深层次的图像分类网络（最高到19层），后来常用的是VGG16，这篇论文中的实验证明了CNN网络越深，提取特征的能力越强，让网络变深的操作是利用小卷积核（3*3的卷积核），在不影响感受野的情况下可以减少网络的参
Very Deep Convolutional Networks for Large-Scale Image Recognition
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
05-23 604
《Very Deep Convolutional Networks for Large-Scale Image Recognition》 arXiv：https://arxiv.org/abs/1409.1556 intro：ICLR 2015 homepage：http://www.robots.ox.ac.uk/~vgg/research/very_deep/ VGG是Oxford的Visual Geometry Group的组提出的（大家应该能看出VGG名字的由来了）。该网络是在ILSVRC 2014
【5】Very deep convolutional networks for large-scale image recognition.pdf
08-26
accuracy in the large-scale image recognition setting. Our main contribution is a thorough evaluation of networks of increasing depth using an architecture with very small (3×3) convolution filters, ...
【论文阅读】Very deep convolutional networks for large-scale image recognition
MoFMan的博客
07-08 766
【论文阅读】Very deep convolutional networks for large-scale image recognition
(VGG)Very Deep Convolutional Networks for Large-Scale Image Recognition阅读笔记
chenaxin的博客
10-19 417
论文地址：https://arxiv.org/abs/1409.1556
论文学习：（VGG）Very Deep Convolutional Networks for Large-scale Image Recognition
qq_36627158的博客
12-11 842
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...
论文笔记：Very deep convolutional networks for large-scale image recognition（VGG）
upup
06-05 2533
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
精读《Very Deep Convolutional Networks For Large-Scale Image Recognition》
Bobodareng的博客
06-05 976
精读《Very Deep Convolutional Networks For Large-Scale Image Recognition》 论文原地址：Visual Geometry Group - University of Oxford \quad\quad（VGG的研究背景）卷积神经网络已经成为计算机视觉领域的常用工具，所以有很多人尝试改善2012年提出的AlexNet来实现更好的效果。比如，在ILSVRC中-2013中表现最好的ZFNet在第一卷积层使用更小的卷积(receptive window
Very Deep Convolutional Networks for Large-Scale Image Recognition 论文翻译
最新发布
zzydcy的博客
12-12 152
百度网盘https://pan.baidu.com/s/1vWMMCnQD6Q1_FEBilqqefg?pwd=xm72（提取码xm72） 原文地址https://arxiv.org/abs/1409.1556 用于大规模图像识别的高深度卷积网络 Karen Simonyan & Andrew Zisserman 牛津大学 工程科学系 视觉几何组 {karen,az}@robots.ox.ac.uk ABSTRACT 摘要 在该项目中，我们研究了卷积网络深度对其在
【VGG2015】Very Deep Convolutional Networks for Large-Scale Image Recognition
我的博客
10-17 774
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
[深度学习论文笔记][Image Classification] Very Deep Convolutional Networks for Large-Scale Image Recognitio
Hao_Zhang_Vision的博客
09-25 781
Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014). [Citations: 1986]. 1 Motivation [Ways to Impro
论文笔记《Very Deep Convolutional Networks for Large-Scale Image Recognition》
小星星专栏
12-09 296
VGGNet在2014年的ILSVRC竞赛上，获得了top-1 error的冠军和top-5 error的第二名，错误率分别为24.7%和7.3%，top-5 error的第一名是GoogLeNet 6.7%。在图片定位任务中，也获得了冠军。网络层数由之前的AlexNet 的8层提高到了最高19层（网络E）。其突出贡献在于，证明使用很小的卷积（3*3），增加网络深度，可以有效提升模型的效果。并且V...
【论文笔记】—VGG网络—2014-ICLR
chaiky的博客
05-28 641
题目：Very Deep Convolutional Networks for Large-Scale Visual Recognition 用于大规模图像识别的超深卷积网络 2014年ImageNet图像定位竞赛冠军，分类竞赛亚军，分类第一是当年的GoogLeNet。 DOI：arXiv:1409.1556 时间：2014-09-04上传于arxiv 会议：2015 International Conference on Learning Representations（ICLR） 机构：牛津大学
论文翻译VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
Pleadge的博客
08-17 270
CSDN，我爱你家人
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 the Convolutional Neural Network (CNN) called VGGNet, which achieved state-of-the-art results in image classification tasks during the ImageNet Large Scale Visual Recognition Challenge (ILSVRC) in 2014. VGGNet is a deep CNN architecture that consists of 16-19 layers, with a simple and uniform structure. The network has small convolution filters of size 3x3, which are stacked on top of each other to form deeper representations. The authors showed that increasing the depth of the network leads to better performance, but at a cost of increased computational complexity. The paper also introduced a method for visualizing the learned features of the network, which helped to understand how the network was able to achieve high performance on image classification tasks. The authors used the learned features of the network to generate images that maximally activate certain neurons in the network, which provided insights into the types of patterns that the network was able to recognize. Overall, the VGGNet architecture has become a popular benchmark in the field of deep learning, and has been used as a starting point for many subsequent CNN architectures.
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