VGG：Very Deep Convolutional Networks for Large-Scale Image Recognition阅读笔记

最新推荐文章于 2024-07-24 11:21:28 发布
最新推荐文章于 2024-07-24 11:21:28 发布
阅读量9.4k 收藏 5
点赞数 2
分类专栏： CNN图像分类 文章标签： CNN 图像 VGG
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/xzzppp/article/details/52253551
版权

论文原文：Very Deep Convolutional Networks forLarge-Scale Image Recognition

网络模型名字：VGG-16、VGG-19


1、简介

    2014年ImageNet亚军。本文主要研究了卷积神经网络深度对大尺度图像识别精度的影响。在现有网络结构的基础上，不断增加3*3卷积核，当深度增加到16-19层时，识别效果有较大提升，即VGG-16，VGG-19。

    VGG不仅在分类和定位中表现优异，而且可以应用到其他场景。faster rcnn、fast rcnn中特征提取部分应用了VGG-16网络。

2、网络基本构成及方法

    训练输入为224*224大小的RGB图像，需要减去图像均值。用一堆3*3,1*1小卷积核进行卷积，连接max pooling。最后，连接3个全连接层，softmax分类器。

    网络结构使用Relu激活函数，几乎不用LRN（Local Response Normalisation）。

    VGG网络结构：

    模型A-E：只增加深度，其他不变（增加3*3卷积核）


    测试效果：
XZZPPP
关注
  • 2
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
【经典网络学习笔记3】VGG-Very Deep Convolutional Networks for Large-Scale Image Recognition
qq_37791134的博客
10-28 675
论文链接：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks 主要是针对原论文，和参考相关笔记，进行了个人解读，抽丝而成，请大家多多指教。 要点掌握 1、VGG16网络结构 2、3*3和1*1小卷积核的优点 ...
(VGG)Very Deep Convolutional Networks for Large-Scale Image Recognition阅读笔记
chenaxin的博客
10-19 392
论文地址：https://arxiv.org/abs/1409.1556
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 Recognition
Peter的脱发日记
06-07 605
Very Deep Convolutional Networks For Large-Scale Image Recognition 原文地址 时间：2014 Intro 本文的VGG网络在2014年的ImageNet竞赛中分别在定位和分类上获得第一和第二，主要的贡献是使用了小的（3×3）卷积核使得网络可以拓展到16-19层深。 ConvNet Configurations Architectur...
经典CNN模型（三）：VGG（PyTorch详细注释版）
最新发布
qq_51872445的博客
07-24 1236
我们常用的是 D 配置，即 VGG-16，如上图，VGG-16 的 “16” 来源于网络中含有的 16 个有可学习权重的层，其中包括 13 个卷积层和 3 个全连接层。所有的卷积层都使用 3x3 大小的卷积核，所有的池化层都使用 2x2 的窗口和步幅为 2，这样可以将特征图的尺寸减半。
VGG
aitie1479的博客
04-09 275
2019-04-0813:30:58 VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是这个模型很有研究价值。 模型的名称——“VGG”代表了牛津大学的Oxford Visua...
（VGG）Very Deep Convolutional Networks for Large-Scale Image Recognition
椰子奶糖的博客
07-12 640
Very Deep Convolutional Networks for Large-Scale Image Recognition 文章目录Very Deep Convolutional Networks for Large-Scale Image Recognition参考IntroductionConvNet ConfigurationsArchitectureConfigurationsDiscussionClassification FrameworkTraining（参考VGGNet 阅读理解，
[深度学习] Very Deep Convolutional Networks for Large-Scale Image Recognition（VGGNet）阅读笔记
lhanchao的博客
03-20 5976
先发发牢骚，最近的日子就是“准备数据集——想改进方法——跑实验——实验结果不好”的循环，熬得一点心情都没有了= = 好了，废话不多说了，这篇VGGNet的论文是两三周之前看的了，而且最近撘的网络结构跟VGGNet很相像，就拿出来复习一下吧。 这篇论文是牛津大学的几个人做出来，在ILSVRC 2014中的classification项目的比赛中取得了第2名的成绩（没错，第一就是上一篇博客中介绍的
VGG：VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION论文笔记
小时候贼聪明
03-12 4289
VGG模型在ILSVRC2014上大放异彩，虽然从VGG的诞生到现在已经2年多，但是它依然是目前最热门的模型网络之一。它最大的贡献是，将深度学习从AlexNet的时代推入到deeper model的时代，第一次将模型深度提高到16层以上，并取得了很好的效果。
[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
09-25 762
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
论文学习（二）
05-20 121
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 2016/05/20 剩section4 摘要 卷积网络中深度对大规模图像识别准确率的影响。在权值层达到16-19层时有significant的...
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 网络主要部分梳理和网络应用
CREATOR_XiaoLi
10-31 2242
一.模型介绍 成果出处和主要成果 《Very Deep Convolutional Networks For Large-Scale Image Recognition》文章出自牛津大学Robotics ReSearch Group团队，在2014ILSVRC (ImageNet Large Scale Visual Recognition Competition)竞赛中团队在localisat...
Very Deep Convolutional Networks for Large-Scale Image Recognition
later的博客
08-26 7173
原文：Very Deep Convolutional Networks for Large-Scale Image Recognition 用于大规模图像识别的极深卷积网络 摘 要：在这项工作中，我们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。我们的主要贡献是使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。这些发现是我们的ImageNet Challenge 2014提交的基础，我...
（VGG）VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION--Karen Simonyan
xu.hyj
09-01 1016
本文增加了深度，设计了从11层到19层几种VGG模型，然后通过训练集和测试集多尺度变化进一步提高了性能。在ILSVRC2014大赛上通过多模型融合取得了次于GoogleNet的第二名成绩。 总之最大的成就应当是证明了深度对于图像分类的精度是有帮助的...
论文学习：（VGG）Very Deep Convolutional Networks for Large-scale Image Recognition
qq_36627158的博客
12-11 766
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...
Very Deep Convolutional Networks for Large-Scale Image Recognition-VGGNet解读
appleclub666的博客
10-09 3085
作者：HYH 日期：2020-9-10 论文期刊：ICLR2015 标签：VGG 论文：《Very Deep Convolutional Networks for Large-Scale Image Recognition》 一、简介： 2014年,牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司的研究员一起研发出了一种新的深度卷积神经网络：VGGNet,并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）。
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 3
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