VGG-Net 论文笔记

最新推荐文章于 2022-07-12 22:51:19 发布
最新推荐文章于 2022-07-12 22:51:19 发布
阅读量139 收藏
点赞数
分类专栏： 网络Backbone 文章标签： 神经网络 深度学习 计算机视觉
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/wuchaohuo724/article/details/119779781
版权

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION

VGG-net

论文链接: https://arxiv.org/abs/1409.1556v6

一、 Problem Statement

作者研究了网络的深度，与精度的关系。发现通过使用3x3卷积增加网络深度可以提升精度。

二、 Direction

增加网络深度。

三、 Method

两个3x3卷积层(在中间没有spatial pooling)堆叠在一起的感知域是5x5，而三个3x3卷积层堆叠在一起的感知域是7x7。所以作者发现，使用一个7x7卷积层和使用三个3x3卷积层堆叠在一起有以下优点:

  1. 三个卷积层之间可以多插入三个recitification layers，这使得决策函数更具区分性。
  2. 减少了参数量。
    假设三个3x3卷积层有 C C C个通道，它们就总共有 3 ( 3 2 C 2 = 27 C 2 3(3^2C^2=27C^2 3(32C2=27C2个参数，而一个7x7就会有 7 2 C 2 = 49 C 2 7^2C^2=49C^2 72C2=49C2，接近少了81%。

VGG的网络结构具体如下所示:

四、 Conclusion

经典网络结构VGG。

Reference

Tianchao龙虾
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
VGG 论文笔记
黑暗星球
05-13 3330
VGG：Very Deep Convollutional Networks for Large-Scale Image Recognition 摘要：本文研究了卷积网络的深度对于图像识别任务的准确率的影响。本文的主要贡献：通过堆叠3x3卷积层增加网络深度，系统地研究了网络深度增加到16-19层的过程中性能的提升。上面的研究基于14年ImageNet比赛提交的模型（分类第一名，定位第二名）。另外，...
VGGNet论文阅读笔记
weixin_43422466的博客
04-30 279
VGGNet-Very deep convolutional networks for large-scale image recognition阅读笔记2014 Abstract 文章主要研究了卷积网络的不同深度（depth）设置在大尺度目标识别任务中的效果对比关系。主要的贡献是使用3 * 3的卷积核增加网络的深度（层数），当增加到16-19层，取得了非常好的效果。我们在ImageNet Cha...
U-Net 论文笔记
Tianchao龙虾
08-20 148
U-Net: Convolutional Networks for Biomedical Image Segmentation U-net 论文链接: https://arxiv.org/abs/1505.04597 一、 Problem Statement 主要是医疗图像分割。 二、 Direction 构建一个收缩路径和扩张路径的网络----U-net。 三、 Method 网络结构图如下: 整个网络拥有23个网络层，分别由两个部分组成: Contracting path: 两个3x3 conv
VGG-Net论文学习笔记（含代码）
ZRX_GIS
02-28 1046
文章目录Very deeeo convolutional networks for large-scale image recognition历史意义摘要网络架构网络基础网络衍生网络特点1、堆叠kernel_size=3的kernel2、提出经典kernel_size=1的卷积代码复现 Very deeeo convolutional networks for large-scale image recognition 历史意义 1、开启组小卷积时代（kernel_szie=3） 2、作为后续分割网络架构的
imagenet-vgg-verydeep-19.mat
12-18
该资源为imagenet-vgg-verydeep-19.mat，可以在迁移学习的时候使用。必须要补充字数，我就再补两句。
VGG-11、VGG-16、VGG-19 Pytorch算法复现
03-04
VGG是一种经典的卷积神经网络架构，由牛津大学的研究团队提出。它在2014年的ImageNet图像分类挑战中取得了很好的成绩，成为了当时最先进的模型之一。VGG的主要特点是使用了非常小的卷积核（3x3）和深层网络结构，...
imagenet-vgg-verydeep-19.zip
08-09
"imagenet-vgg-verydeep-19.zip"文件提供的就是VGG19模型在ImageNet数据集上的预训练权重。 **ImageNet数据集** ImageNet是一个大规模的图像分类数据库，包含了超过1400万个高分辨率的图像，涵盖了大约2万类不同的...
基于VGG-16的海量图像检索系统1
08-04
【基于VGG-16的海量图像检索系统】 在计算机视觉领域，图像检索是一个重要的任务，尤其是当面对海量图像数据时。基于深度学习的方法已经取得了显著的进展，其中VGG-16网络模型是一个非常经典的卷积神经网络（CNN）...
A ConvNet for the 2020s 论文笔记
Tianchao龙虾
01-17 5088
A ConvNet for the 2020s 论文链接： https://arxiv.org/abs/2201.03545 一、 Problem Statement 现在Transformer大行其道，很多纯卷积的网络也不断的革新。这篇文章分析transformer的优势，也借鉴了一些新的卷积网络的点，基于ResNet50和ResNet200逐步提升精度。 二、 Direction 作者认为，Transformer的优势在于其multi-head self-attention中优异的scaling beh
Pyramid Vision Transformer 论文笔记
Tianchao龙虾
09-04 1375
Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions PVT 论文链接: https://arxiv.org/abs/2102.12122 一、 Problem Statement 提出一个类似于CNN中的pyramid 结构，使得Transformer结构适用于多种dense prediction task。 二、 Direction 采用4x4大小的image patch作
PP-LCNet 论文笔记
Tianchao龙虾
10-25 966
PP-LCNet: A Lightweight CPU Convolutional Neural Network PP-LCNet Baidu 论文链接: https://arxiv.org/abs/2109.15099 一、 Problem Statement 大部分目前的轻量型网络都是基于ARM结构设备所开发的，很少网络会考虑到在Intel CPU上的运行速度。因此本文提出了三个问题: 怎么样提升网络，使得可以学习更强的特征表示能力，且不增加迟滞性。 什么东西可以在CPU上，使得一些轻量化模型的精
An Improved One millisecond Mobile Backbone 论文笔记
Tianchao龙虾
07-12 666
An Improved One millisecond Mobile Backbone 论文笔记
Res2Net: A New Multi-scale Backbone Architecture 论文笔记
Tianchao龙虾
05-08 331
Res2Net: A New Multi-scale Backbone Architecture 论文链接： https://arxiv.org/abs/1904.01169 IEEE TPAMI 2021 一、 Problem Statement Multi-scale ability对于网络来说是很重要的。目前大多数的backbone提高这个能力的方向是提高CNN中layer-wise multi-scale 表达的能力。作者提出了一个更好更有效率的提升办法。 二、 Direction 更强的multi
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision 论文笔记
Tianchao龙虾
06-29 324
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision 论文链接： https://arxiv.org/abs/1704.04861 一、 Problem Statement 专门用于移动设备或者嵌入式设备的Backbone。 二、 Direction 使用深度可分离卷积。引入两个全局超参数(width multiplier and resolution multiplier)，用来调节延迟和精度的trade-off。 三、
MobileNetV2: Inverted Residuals and Linear Bottlenecks 论文笔记
Tianchao龙虾
07-06 294
MobileNetV2: Inverted Residuals and Linear Bottlenecks 论文链接： https://arxiv.org/abs/1801.04381 一、 Problem Statement 主要提升MobileNet v1的性能。 二、 Direction 两个改进: Inverted Residuals Linear Bottlenecks 三、 Method 1. Linear Bottlenecks 文章提出了manifold of interest 两个性
Searching for MobileNetV3 论文笔记
Tianchao龙虾
07-07 266
Searching for MobileNetV3 论文链接： https://arxiv.org/abs/1905.02244 一、 Problem Statement 提升MobileNet V2。 二、 Direction Complementary search techniques 新的 nonlinearities 函数 h-swish 重新设计网络层 三、 Method 1. 网络架构搜索 一个是platform-aware NAS for Block-wise Search，另一个是Ne
CSPNet: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 论文笔记
Tianchao龙虾
04-29 247
CSPNet: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN 论文链接： https://arxiv.org/pdf/1911.11929.pdf 一、Problem Statement 目标检测极大地依赖昂贵的计算资源，因此作者从网络结构方面提出了Cross Stage Partial Network， 去减少神经网络在推理时的计算。其问题归因于在神经网络优化过程中重复的梯度信息，因此所提出的网络通过融合神经网络开始到尾部的featu
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 论文笔记
Tianchao龙虾
07-19 224
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 论文链接： https://arxiv.org/abs/1807.11164 一、 Problem Statement 作者认为在设计网络结构的时候光考虑FLOPs这个指标不够，还需要考虑MAC(memory access cost)和目标设备。 相近的FLOPs可能会又不同的速度，在不同目标设备上不同的操作也有不同的速度。 二、 Direction 提出了下面
cnn卷积神经网络包括VGG-Net卷积神经网络吗
最新发布
04-12
VGG-Net是一种经典的卷积神经网络结构，由牛津大学的研究团队提出。它的主要特点是采用了多个较小的卷积核和池化层，使得网络具有更深的层级结构。VGG-Net的网络结构非常简洁，主要由卷积层和全连接层组成，其中卷...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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