VGG论文精读笔记

最新推荐文章于 2025-03-03 21:10:03 发布
原创 最新推荐文章于 2025-03-03 21:10:03 发布 · 865 阅读 · 5

文章简介

VERY DEEP CONVOLUTIONAL NETWORKS
FOR LARGE-SCALE IMAGE RECOGNITION

该文章介绍了基于深度卷积神经网络的大规模图像分类(经典网络)，验证了卷积神经网络的深度对大规模图像分类准确率的影响。

作者：Karen Simonyan & Andrew Zisserman
单位：牛津大学(Visual Geometry Group)
论文地址

论文研究背景

自从2012年AlexNet将深度学习的方法应用 ImageNet的图像分类比赛中并取得state of the art的惊人结果后，大家开始相仿并在此基础上进行大量尝试和改进。
1. 小卷积核
在第一个卷积层用了更小的卷积核和卷积stride
2. 多尺度
训练和测试使用整张图的不同尺度
vgg作者不仅将上面的两种方法应用到自己的网络设计和训练测试阶段，同时还考虑了网络深度对结果的影响。

论文研究成果

2014年在ILSVRC比赛中获得了分类项目的第二名(第一名是GoogLeNet)，和定位项目的第一名。同时模型对其他数据集有很好的泛化能力。
VGG由于其结果简单，提取特征能力强，所以应用场景广泛。
例如：快速风格迁移算法，目标检测的backbone，提取特征(faster rcnn, ssd等)，gan网络内容特征提取，进行内容计算(内容损失是gan网络损失的一部分)。
在这里插入图片描述
进行了6组对比实验，如下图所示，包括A，A-LRN，B，C，D，E六种不同的网络结构。其中A-LRN网络在A网络的基础上加入了LRN层，B网络在A-LRN网络基础上加入了两个3x3卷积层，C网络在B网络基础上又加入了3个1x1卷积，D网络将C网络中的1x1卷积换成了3x3卷积，E网络又在D网络的基础上加入了3个3x3卷积。
在这里插入图片描述
单尺度测试结果对比
在这里插入图片描述
结论:

  1. LRN对网络性能提升没有太大作用，因此后面网络结构中没有加入LRN层(A和A-LRN对比实验得出)
  2. 加深网络深度能够提升分类精度(A和B网络对比，C网络第一组实验和A、B网络对比)
  3. 单独扩大尺度对网络性能提升没什么效果(C网络的第一组和第二组实验对比)
  4. 对于同一个网络结构多尺度训练可以提高网络精度(C网络的三组实验对比)
  5. 将1x1的卷积替换为3x3的卷积是有效的(D网络与C网络的实验对比)
  6. E模型(VGG19)效果最好，一定程度加深网络可以提高网络精度。

多尺度测试结果对比
在这里插入图片描述
结论

  1. 对比单尺度预测，多尺度综合预测能够提升预测的精度，证明了scale jittering(尺度抖动)的作用。
  2. D和E多尺度综合预测效果一样，但是E网络要比D网络深，因此D网络(VGG16)为best model。
    在这里插入图片描述
    结论： dense evaluation & multi-crop两种测试方法联合使用效果最好

模型融合结果对比
在这里插入图片描述
结论： 融合模型D和E之后模型错误率进一步下降

与其他网络结果对比
在这里插入图片描述
结论：GoogLeNet分类效果冠军，VGG亚军优于其他网络。

论文结论

  1. 在一定范围内，通过增加深度能有效地提升网络性能；
  2. 最佳模型VGG16，从头到尾只有3x3卷积与2x2池化，简洁优美；
  3. 多个小卷积核比单个大卷积核性能好(与Alexnet对比可知)；
  4. AlexNet曾经用到的LRN层并没有带来性能的提升，因此在其他组的网络中均没有出现LRN层；
  5. 尺度抖动scale jittering(多尺度训练、多尺度测试)有利于网络性能的提升。

感受野

感受野(Receptive Field)的定义是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点跟原图上有关系的点的区域。
感受野概念为什么重要？
感受野被称作是CNN最重要的概念之一，目标检测的流行算法比如SSD，Faster-Rcnn等中prior box和Anchor box的设计都是以感受野为依据进行的设计。
在这里插入图片描述
输入原始图大小为7x7，
conv1: 3x3 strides=1 valid
feature: (7-3+1) / 1 = 5
conv2: 3x3 strides=1 valid
feature: (5-3+1) / 1 = 3

原始输入感受野：1
conv1层感受野：3
conv2层感受野：5

思考：
如果conv1: 5x5 strides=1 valid 感受野是多少？
答：感受野为5

结论
1个5x5卷积核感受野大小与2个3x3卷积核的感受野等效，以此类推三个3x3的卷积核的感受野与一个7x7卷积核的感受野等效。

感受野计算公式

在这里插入图片描述
注意：这只是理论感受野，实际上起作用的感受野是小于理论感受野

论文结构

在这里插入图片描述

摘要

本文研究了在大规模图片识别中，卷积神经网络的深度对准确率的影响。我们的主要贡献是通过非常小的3x3卷积核的神经网络架构全面评估了增加深度对网络的影响，结果表明16-19层的网络可以使现有设置的网络性能得到显著提高。这项发现是我们在2014年的

最低0.47元/天 解锁文章
【深度学习】经典神经网络 VGG 论文解读
frank 的专栏
11-06 2万+
VGG 在深度学习领域中非常有名，很多人 fine-tune 的时候都是下载 VGG 的预训练过的权重模型，然后在次基础上进行迁移学习。VGG 是 ImageNet 2014 年目标定位竞赛的第一名，图像分类竞赛的第二名，需要注意的是，图像分类竞赛的第一名是大名鼎鼎的 GoogLeNet，那么为什么人们更愿意使用第二名的 VGG 呢？ 因为 VGG 够简单 VGG 是 Visual Geometr...
VGG理论概述，torch，tensorflow代码实现
shuai_yue的博客
06-16 1621
vggnet AlexNet 在 2012 年发表之后，研究界对这个模型做了很多改进工作，使得这个模型得到了不断优化，特别是在 ImageNet 上的表现获得了显著提升。针对 AlexNet 模型的两个重要改进，分别是 VGG 和 GoogleNet。 4.1 VGGNet名称由来及作者介绍 论文题目是《用于大规模图像识别的深度卷积网络》（Very Deep Convolutional Networks for Large-Scale Image Recognition）[1]。这篇文章的作者都来自于英国牛
VGG
studyeboy的专栏
04-29 746
文章目录VGG结构VGG16 特点块结构权重参数 VGG（作者所在的牛津大学视觉几何组Visual Geometry Group的缩写）是[Very Deep Convolutioinal Networks for Large-Scale Image Recognition]提出的卷积神经网络模型，在2014年ImageNet图像分类与定位挑战赛中，取得了 分类任务第二，定位任务第一的好成绩。 V...
计算机视觉经典论文阅读系列1--VGG
Arlenegogogo的博客
02-09 319
计算机视觉经典论文阅读系列1-VGG
基本图像分类与目标检测网络要点总结
lx_xin的博客
09-25 8061
图像分类 AlexNet（2012） 是深度学习在计算机视觉领域的影响力较大的论文，获得了2012年ImageNet冠军。 深度为7层，基本结构如下图。准确率达到57.1%，top 1-5 达到80.2%。 使用ReLU，计算简便，缓解Sigmoid中梯度消失的问题。但当学习率较大时易出现dead神经元（落入负半区则永远无法激活），因此学习率设置不能过大。或者可以使用Leaky ReLU替代。...
VGG论文精读 | 翻译+学习笔记+PyTorch代码复现
最新发布
智算学术的博客
03-03 1431
今天给大家带来的是在继AlexNet 神经网络后的又一神作,VGG网络由Oxford University 的 Visual Geometry Group（VGG提出，并在竞赛中取得了分类任务第二名（仅次于 GoogleNet），在目标检测任务也表现优异。论文: "Very Deep Convolutional Networks for Large-Scale Image Recognition"
VGG16学习笔记
热门推荐
dta0502的博客
03-22 6万+
一. 简述  VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时，由于它的简洁性和实用性，马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中，VGG 在Top-5中取得了92.3%的正确率。VGG结构图VGG-16VGG模型有一些变种，其中最受欢迎的当然是 VGG-16，这是一个拥有16层的模型。你可以看...
【深度学习CV-baseline】VGG论文精读
白桃deep_learning博客
04-26 1245
VGG-大规模图像识别的深度卷积神经网络 一、研究背景、成果及意义 1、学习目标 这篇文章是针对卷积神经网络的深度去研究的，并且是针对大规模的图像识别任务中。 2、研究背景、成果及意义 相关研究 1、AlexNet：ILSVRC-2012分类冠军，里程牌的CNN模型 AlexNet卷积神经网络设计理念会一直沿用，前面卷积池化进行特征提取，后面FC层分类的设计思想。 2、ZFNet：ILSVRC-2013分类冠军，对AlexNet改进 仅仅是对AlexNet超参数的改变 3、OverFeat：ILSVRC
VGG 论文精读&&代码逐行解析
IanYue的博客
09-25 1332
笔者从人工智能小白的角度，力求能够从原文中解析出最高效率的知识。之前看了很多博客去学习AI，但发现虽然有时候会感觉很省时间，但到了复现的时候就会傻眼，因为太多实现的细节没有提及。而且博客具有很强的主观性，因此我建议还是搭配原文来看。请下载原文《Very Deep Convolutional Networks for Large-Scale Image Recognition》搭配阅读本文，会更高效哦！
VGG论文笔记及代码
charles_zhang_的博客
04-20 1462
VGG论文笔记及代码 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 牛津大学视觉组（VGG）官方网站：https://www.robots.ox.ac.uk/~vgg/ Abstract 在这项工作中，我们研究了在大规模图像识别环境中卷积网络深度对其准确性的影响。我们的主要贡献是使用具有非常小（3×3）卷积滤波器的架构对深度不断增加的网络进行了彻底评估，这表明通过将深度推至16–19权重层，可以实现对现有技术配置的显著
李沐论文精读系列一： ResNet、Transformer、GAN、BERT
qq_56591814的博客
10-16 1万+
听了一下李沐大神讲的几篇论文，还是有一些收获。
【学习笔记】VGG 网络结构
Eniac0的博客
06-04 1万+
跟着大佬学图像分类系列，→ 传送门 ← 前言 图像分类是学习目标检测的“量变”内容，那么，废话不多说，开搞！ 一、VGG 是什么？         VGG 网络是14年被牛津大学的著名研究组 VGG（Visual Geometry Group）提出，斩获该年 ImageNet 竞赛中 Localization Task（定位任务）第一名和 Classification Task（分类任务）第二名。 二、网络结构 （VG
【论文笔记】VGG
DLUT_yan的博客
05-29 4032
总体的体系结构 训练阶段，输入为固定的224x224的RGB图像。唯一做的预处理是对每个像素减去训练集中的RGB均值。卷积核使用3x3，在我们的一种配置中也有使用1x1的情况，这可以看作是对输入通道的一个线性变换（其后面接一个非线性变换）。步长固定为一像素。padding用来保持卷积后图像的原来大小分辨率。空间池化包含五个最大池化层，它们接在部分卷积层的后面，（并不是所有卷积层都接有最大池化层）。...
VGG论文阅读笔记
comic97的博客
11-14 704
目录前言VGG论文阅读笔记1 Introduction2 ConvNet Configurations2.1 Architecture2.2 Configurations2.3 Discussion3 Classification Framework3.1 Training3.2 Testing3.3 Implementation Details4 Classification Experimen...
CNN基础论文 精读+复现----VGG(二)
深度不学习！！的博客
03-10 2788
文章目录前言网络搭建初始化权重结果分析 前言 之前已经把VGG大部分的东西弄完了，没看过的可以去看一下，CNN基础论文 精读+复现----VGG(一) 今天用代码复现一下吧。 pytorch实现VGG16。 网络搭建 在第三章说了很多参数， batch = 256 动量 = 0.9 权重衰减 5∗10−45 * 10^{-4}5∗10−4 dropout = 0.5 学习率 0.01 epoch = 74 看下面这张图开始搭建网络。 直接先写出来前两层的卷积+池化， 文中已给出 卷积核 3 * 3，
VGG 论文总结
Kula的博客
02-19 1282
（一）论文翻译（二）论文笔记（三）代码实现
CNN基础论文 精读+复现----VGG(一)
深度不学习！！的博客
03-09 3260
文章目录前言第1页 前言 原文Github地址:https://github.com/shitbro6/paper/blob/main/VGG.pdf 原文arxiv地址 :https://arxiv.org/pdf/1409.1556.pdf 这篇文章一共14页，是上一篇文章 AlexNet的进阶版。 在复现这篇文章之前，建议看一下Alex的精读文章 CNN基础论文 精读+复现----AlexNet(一) 第1页 摘要和引言主要是介绍了一下当下的历史背景和这个VGG网络。 VGG网络是牛津大学提出的，在当
VGG 论文笔记
黑暗星球
05-13 3607
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，...
论文研读笔记(二)——VGG
云端筑梦师
01-23 1687
  论文研读系列汇总： 1.AlexNet论文研读 2.VGG论文研读 3.GoogLeNet论文研读 4.Faster RCNN论文研读 5.ResNet 论文研读 6.SENet 论文研读 7.CTPN 论文研读 8.CRNN 论文研读   论文基本信息 论文题目为： Very Deep Convolutional Networks for Large-Scale I...
VGG论文原文重点提炼解析
馒头Lynn的博客
02-23 1万+
原论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition 摘要：    主要研究了深度对卷积网络在大规模图像识别中的准确率的影响。主要贡献是：对使用很小的卷积核（3*3）来增加深度的网络进行了评估，表明通过将深度提升到16-19个权重层，能得到很好的性能。 介绍：    随着卷积网络在计算机视觉领域的应...
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