VGGNet详细笔记

VGGNet

---

引言：

这篇文章是自己通过看paper《VERY DEEP CONVOLUTIONAL NETWORKS
FOR LARGE-SCALE IMAGE RECOGNITION》和一些大佬博客来整理的VGGNet笔记，分享给大家。

背景：

VGG是Oxford的Visual Geometry Group提出的，也是VGGNet名字的由来。

该网络在ILSVRC-2014（ImageNet Large Scale Visual Recognition Challenge）中定位任务冠军和分类任务亚军（冠军是GooLeNet）。

主要证明了增加网络的深度能够在一定程度上影响网络最终的性能。

VGG亮点：

所有卷积层都用了$3\times 3$的卷积核，并且通过堆叠多个$3\times 3$的卷积核来替代大尺度的卷积核；

• 通过堆叠两个$3\times 3$的卷积核来替代$5\times 5$的卷积核
• 通过堆叠三个$3\times 3$的卷积核来替代$7\times 7$的卷积核
• 具有相同的感受野

对于给定的感受野，采用堆叠的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式、让决策函数更具有判别力，同时能够大大的减少参数。

**注：**感受野讲解

某一层输出结果中一个元素所对应输入层的区域大小，

（即feature map上的一个单元对应输入层上的区域大小）

计算公式：$F(i)=(F(i+1)-1)\times Stride+Ksize$

F ( i )