VGGNet网络模型
一、VGGNet模型简介
VGGNet由牛津大学的视觉几何组(Visual Geometry Group,简称VGG)提出的,在ILSVRC-2014中取得了定位任务第一名和分类任务第二名,它总共有19层。其突出贡献在于证明使用很小的卷积(3*3)来增加网络深度可以有效提升模型的效果,而且VGGNet对其他数据集具有很好的泛化能力。VGGNet的缺点就是需要更大的存储空间,参数量达到达到140M。
VGGNet是从AlexNet发展而来,主要进行了两个方面的改进:(1)在第一个卷积层使用更小的filter尺寸和间隔。(2)在整个图片和multi-scale上训练和测试图片。
二、VGGNet模型的特点
(1)小的Filter尺寸为3*3,卷积的间隔s=1,3*3的卷积层有1个像素的填充。
(2)3*3是最小的能够捕获上下左右和中心概念的尺寸。
(3)两个3*3的卷基层的有限感受野是5*5;三个3*3的感受野是7*7,可以替代大的filter尺寸。
(4)多个3*3的卷基层比一个大尺寸filter卷基层有更多的非线性,使得判决函数更加具有判决性。
(5)多个3*3的卷积层比一个大尺寸的filter有更少的参数。
三、VGGNet模型的结构
VGGNet模型的结构如下图所示:
模型有5个max-pooling层,故是5阶段卷积特征提取。每层的卷积个数从首阶段的64个开始,每个阶段增长一倍,直到达到最高的512个,然后保持。
基本结构A:Input(224,224,3)→64F(3,3,3,1)→max-p(2,2)→128F(3,3,64,1)→max-p(2,2) →256F(3,3,128,1)→256F(3,3,256,1)→max-p(2,2)→512F(3,3,256,1)→512F(3,3,512,1)→max-p(2,2)→512F(3,3,256,1)→512F(3,3,512,1)→max-p(2,2)→4096fc→4096fc→1000softmax。有8个卷积层,3个全连接层,共计11层。
结构B:在结构A的stage2 和stage3分别增加一个3*3的卷积层,10个卷积层,总计13层。
结构C:在结构B的基础上,stage3,stage4,stage5分别增加1*1的卷积层,13个卷积层,总计16层。
结构D:在结构C的基础上,stage3,stage4,stage5分别增加3*3的卷积层,13个卷积层,总计16层。
结构E:在结构D的基础上,stage3,stage4,stage5分别增加3*3的卷积层,16个卷积层,总计19层。
各个结构的模型参数大小如下图所示:
四、VGGNet网络训练
4.1 训练参数设置
Minibatch=256,尽管VGG比Alex-net有更多的参数,更深的层次;但是VGG需要很少的迭代次数就开始收敛。这是得益于一下两个方法:
(1)深度和小的filter尺寸起到了隐式的规则化的作用;
(2)先训练浅层网络。在得到A网络的参数后,训练更深的网络E时,使用A中得到的参数初始化对应的层。
Multi-scale 训练:把原始 image缩放到最小边S>224;然后在full image上随机提取224*224窗口,进行训练。由于物体尺寸的变化多样,Multi-scale可以更好的识别物体,有两种多尺度的训练方法。
(1)在S=256,和S=384上训练两个模型,然后求平均;
(2)类似OverFeat测试时使用的方法,在[Smin,Smax]scale上,随机选取一个scale,然后提取224*224的图片,训练一个网络。这种方法类似图片尺寸上的数据增益。
4.2 测试阶段single-scale对比
A vs A-LRN:A-LRN结果没有A好,说明LRN作用不大;
A vs B,C,D,E:越深越好;
A vs C:增加1*1filter,即增加额外的非线性确实提升效果;
C vs D:3*3的filter比1*1filter要好,使用较大的filter能够捕捉更大的空间特征。
训练方法:在scale区间[256,512]通过scale增益来训练网络,比在固定的两个S=256和S=512,结果明显提升。Multi-scale训练确实很有用,因为卷积网络对于缩放有一定的不变性,通过multi-scale训练可以增加这种不变性的能力。
4.3 Multi-scale训练
方法1:single-scale训练 S,multi-scale测试 {S-32,S,S+32};
方法2:multi-scale训练[Smin;Smax],multi-scale测试{Smin,middle,Smax}。
(1)B vs B’, C vs C’… :single-scale训练,利用multi-scale测试,有0.2%的top-5提升。
(2)B-256 vs B-384 …:single-scale在256和348上训练,无论用什么测试方法,结果基本上差不多。说明网络在单个scale上提取能力有限。
(3)multi-scale训练,multi-scale测试,对于网络提升明显,D’和E’的top-5分类达到了7.5%。
VGGNet网络模型相关推荐
- VGGNet 论文精度,并解析 VGG-16 网络模型结构
<VERY DEEP CONVOLUTIONAL NETWORKSFOR LARGE-SCALE IMAGE RECOGNITION> <大规模图像识别的深度卷积网络> 论文地 ...
- 深度学习卷积神经网络CNN之 VGGNet模型主vgg16和vgg19网络模型详解说明(理论篇)
1.VGG背景 2. VGGNet模型结构 3. 特点(创新.优缺点及新知识点) 一.VGG背景 VGGNet是2014年ILSVRC(ImageNet Large Scale Visual R ...
- VGGNet网络详解与模型搭建
文章目录 1 模型介绍 2 模型结构 3 模型特性 4 Pytorch模型搭建代码 1 模型介绍 VGGNet是由牛津大学视觉几何小组(Visual Geometry Group, VGG)提出的 ...
- 经典卷积网络--VGGNet
经典卷积网络--VGGNet 1.VGGNet网络模型 2.VGGNet网络模型搭建(使用Tensorflow) 3.完整代码实现(使用CIFAR10数据集) 借鉴点:小卷积核减少参数的同时,提高识别 ...
- 干货丨深度学习VGG模型核心拆解
如今深度学习发展火热,但很多优秀的文章都是基于经典文章,经典文章中的一句一词都值得推敲和分析.此外,深度学习虽然一直被人诟病缺乏足够令人信服的理论,但不代表我们不能感性分析理解,下面我们将对2014年 ...
- 论文笔记---深度学习之VGG模型解读
本文是对 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 论文的解读,论文下载地址为:https://arxiv. ...
- 深度学习VGG模型核心拆解
如今深度学习发展火热,但很多优秀的文章都是基于经典文章,经典文章中的一句一词都值得推敲和分析.此外,深度学习虽然一直被人诟病缺乏足够令人信服的理论,但不代表我们不能感性分析理解,下面我们将对2014年 ...
- CNN经典网络模型综述及发散思考(LeNet/ AlexNet/VGGNet/GoogLeNet/ResNet)
目录 一. 背景 成功原因 设计目标 二. 经典网络模型 LeNet(1990 年) 网络特点 AlexNet(2012年) 网络特点 VGGNet(2014年) 网络特点 发散思考 GoogLeNe ...
- CNN-3: VGGNet 卷积神经网络模型
1.VGGNet 模型简介 VGG Net由牛津大学的视觉几何组(Visual Geometry Group)和 Google DeepMind公司的研究员一起研发的的深度卷积神经网络,在 ILSVR ...
最新文章
- 电信业务支撑报表开发工具解决方案
- windos中加入redis
- 前端学习(2447):数据筛选处理
- 图论 —— 弦图 —— LexBFS 算法
- linux thread 状态检查,Linux下查看进程的线程 - pstree
- 深度学习代码实战——基于RNN的手写数字分类
- 马云点名的工程师,除了几百封求爱信还有13项区块链专利
- netstat 查看网络状态
- Hysys能量流和物质流分析
- codeforces 831A Unimodal Array
- Web3.0世界知识体系分享-免费自动批量生成NFT图片和批量部署NFT
- 香港流行乐黄金二十年——经典歌手(音乐人)全面回顾 一
- JavaScript history对象(back()、forward()、go())
- 小米红米Note12,11,Pro系列安装谷歌套件谷歌服务框架GMS,Google Play商店
- 【小学】小学汉语拼音知识复习汇总
- 安卓手机怎么设置蓝牙耳机弹窗动画_链接2020.3.3其他团无线蓝牙耳机
- java在线编译网站
- SecureCRT自动打印日志
- 试用海龟turtle 画图画出以下图形(图形的上方为一个正三角形,下方为正方形,边长均为200像素)
- 2008.06.01 读华为前执行副总裁李玉琢的《我与商业领袖的合作与冲突》有感(二)
热门文章
- php中redis memcache等缓存的应用
- 小程序新手入门逆向案例来伊某x-co-sign
- “网络和拨号连接”图标丢失疑难解答
- js回调函数(超详细)
- 什么是开源协议?知识产权又是什么?—— 版权与开源简介
- OPPO R6007刷机包下载 救砖解锁 刷机教程
- AI的图像描摹和扩展
- 一个提高照片质量的网站和一个改变照片DPI的方法
- 未知的错误代码在应用程序安装:110 android,应用程序安装期间的未知错误代码-505...
- 快手查权重+抖音查权重+QQ查估值三合一软件工具【查询脚本+详细教程】