VGG模型总结

一． 内容概括
　　本文提出了经典的VGG模型用于图像分类任务，目前VGG16和VGG19仍然是最为常用的CNN模型，文章主要证明了深度对于神经网络的重要性，为今后的发展提供了一个很好的思路。
二．贡献点
1.成功构建了16层（13Conv+3FC）和19层（16Conv+3FC）的有效的网络结构。
2.证明了深度对于神经网络来说是非常重要的。
3在大型数据集ImageNet中训练得到的模型测试准确率高于当时已有的其他方法。
三．主要内容
　　　　
　　文中提出的VGG模型中所有的卷积层都是用33的小卷积核，所有池化层用的是22的filter。两个33的卷积层的感受野可以代替一个55的卷积层，三个33的卷积层可以代替一个77的卷积层，这样可以有效地减少参数计算成本。假设输入输出channel均为C，三个33参数个数为3（33CC）=27C²，一个77参数个数为77CC=49C²，因此用三个33的卷积层代替一个77的卷积层可以节省近一半的参数计算量。
　　在训练的过程中输入的图像是224224的RGB图像，预处理方法是每个像素值都减去RGB的均值。
　　模型中前两个FC层之后都添加了0.5的dropout，所有卷积层的激活函数都是用ReLU。
　　每层的feature map大小变化流程如下图：

四．实验结果

　　在2014年的ILSVRC图像分类大赛中，VGG取到了非常好的效果，对比其它参赛模型准确率更高。