经典网络架构学习-VGG

原创 已于 2023-04-13 16:34:52 修改 · 4.7k 阅读 · 6
标签
#深度学习 #VGG #神经网络 #VGG-16 #VGG-19
于 2022-07-14 12:42:02 首次发布

前言

本篇博文将介绍一下在ImageNet 2014 年斩获目标定位竞赛的第一名，图像分类竞赛的第二名的网络结构VGG。VGG 是 Visual Geometry Group 的缩写，是这个网络创建者的队名，作者来自牛津大学.

VGG论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》作为一篇会议论文在2015年的ICLR大会上发表

Visual Geometry Group实验室链接：https://www.robots.ox.ac.uk/~vgg/

VGG 最大的特点就是它在之前的网络模型上，通过比较彻底地采用 3x3 尺寸的卷积核来堆叠神经网络，从而加深整个神经网络的层级。并且VGG论文给出了一个非常振奋人心的结论：卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用

网络模型分析

与AlexNet、LeNet⼀样，VGG⽹络可以分为两部分：第⼀部分主要由卷积层和汇聚层组成，第⼆部分由全连接层组成。从AlexNet到VGG，它们本质上都是块设计,如下图：

在这里插入图片描述

VGG各层配置信息如下图：

在这里插入图片描述

注意：ConvNet配置（以列显示）。配置的深度增加从左边（A）到右边（E），随着更多的层被添加（添加的层以黑体显示）。卷积层的参数卷积层的参数被表示为"卷积场大小-通道数"（例如图中Conv3-64代表卷积核尺寸3X3,通道是64）。为了简洁起见，ReLU激活函数没有显示。

从VGG-16上图可以看出，它主要包括下列模型

  • GG-11(8Conv+3FC)
    原始VGG⽹络有5个卷积块，其中前两个块各有⼀个卷积层，后三个块各包含两个卷积层。第⼀个模块有64个
    输出通道，每个后续模块将输出通道数量翻倍，直到该数字达到512。由于该⽹络使⽤8个卷积层和3个全连接
    层，因此它通常被称为VGG-11
  • VG
最低0.47元/天 解锁文章
深度学习之经典网络架构：VGG16
quanhujing的专栏
07-07 681
一、简介 VGG，也叫作VGG-16网络。值得注意的是，VGG-16网络没有那么多超参数，这是一种只需要专注于构建卷积层的简单网络。首先用3×3，步长为1的卷积核构建卷积层，padding参数为same的卷积参数。然后用一个2×2，步幅为2的池化核构建最大池化层。因此VGG网络的一大优点是神经网络结构简单。 二、网络结构 vgg16总共有16层，13个卷积层和3个全连接层，整个网络都采用了相同大小的卷积核3*3步长为1*1和最大池化（2*2），第一阶段：通过64个卷积核的两...
【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
快速理解VGG网络
YLTENG的博客
07-25 2万+
快速理解VGG网络简介一些有用的链接网络结构VGG的特点数据增强方面Layer层的设计（VGG16）参数 简介 VGGNet 是牛津大学计算机视觉组（Visual Geometry Group）和谷歌 DeepMind 一起研究出来的深度卷积神经网络，因而冠名为 VGG。VGG是一种被广泛使用的卷积神经网络结构，其在在2014年的 ImageNet 大规模视觉识别挑战(ILSVRC -2014)中获得了亚军，不是VGG不够强，而是对手太强，因为当年获得冠军的是GoogLeNet。 通常人们说的VGG是指V
VGG网络-深度学习经典架构解析
最新发布
cfy2401926342的博客
04-27 434
摘要 VGG网络是牛津大学视觉几何组提出的经典卷积神经网络架构，其核心创新在于使用多个3×3小卷积核堆叠代替大卷积核。这种设计不仅实现了更大的感受野（两个3×3卷积≈5×5卷积），还带来了更多非线性激活和更少的参数数量。VGG通过11-19层的不同深度变体证明了网络深度对性能的关键影响，其中VGG-16在ImageNet竞赛中表现出色。架构采用规整的VGG块设计，每个块包含多个卷积层和最大池化层，后接全连接层。尽管参数量巨大（VGG-16约1.38亿参数），但通过轻量级版本和dropout等正则化技术，VG
VGG网络模型详解以及代码实现
One2332x的博客
12-27 1万+
VGG网络模型详解以及代码实现一、背景1. VGG原理二、VGG网络模型详解及代码实现1. VGG网络模型详解2. 代码实现三、参考资料： 一、背景 VGGNet是在2014年由Karen Simonyan和Andrew Zisserman提出的，网络模型包括VGG-11、VGG-13、VGG-16以及VGG-19，其中VGG-16和VGG-19在分类和定位任务上效果最好，因此作者在2014年ImageNet Challenge上获得分类第二和定位第一的网络。 论文地址：VERY DEEP CONVOLUT
VGG网络讲解——小白也能懂
m0_57011726的博客
03-10 2万+
我们上文已经说了，VGG其实就是五层卷积。我们来看这个图：这个图是作者当时六次实验的结果图。在介绍这个图前，我先进行几个概念说明：卷积层全部为3*3的卷积核，用conv3-xxx来表示，xxx表示通道数。在这个表格中，我们可以看到，第一组（A）就是个简单的卷积神经网络，没有啥花里胡哨的地方。第二组（A-LRN）在第一组的卷积神经网络的基础上加了LRN（小白们不用太过了解这个，现在已经不是主流了，LRN是Alexnet中提出的方法，在Alexnet中有不错的表现 ）
VGG详解
disguise666的博客
04-02 3万+
VGG 一、背景介绍 VGG全称是Visual Geometry Group，因为是由Oxford的Visual Geometry Group提出的。AlexNet问世之后，很多学者通过改进AlexNet的网络结构来提高自己的准确率，主要有两个方向：小卷积核和多尺度。而VGG的作者们则选择了另外一个方向，即加深网络深度。 二、网络架构 卷积网络的输入是224 * 224的RGB图像，整个网络的组成...
深度学习入门（四）：经典网络架构（Alexnet、Vgg、Resnet）
weixin_51293984的博客
08-22 478
在探索深层网络中遇到了问题，20层和56层的 "普通 "网络进行对比，更深的网络却有。感受野是指feature map上某个元素受输入图像上影响的区域，2个3。VGG 最大的特点就是它在之前的网络模型上，通过比较彻底地采用。由下图可知，模型的泛化能力随着层数的增多而逐渐增加。，能够把模型一直堆叠到上百层，而且不出现退化。2014 年ImageNet 竞赛冠军。对网络的最终分类识别效果有很大的作用。8层神经网络、5层卷积层、3层全连接。2012年ImageNet竞赛冠军。3的conv可以代替1个5。
38、深度学习经典网络架构：VGG与Inception解析
purple的博客
10-02 105
本文深入解析了深度学习中的两种经典卷积神经网络架构——VGG和Inception。VGG通过使用小尺寸3x3卷积核和移除局部响应归一化层，提升了模型表达能力和训练效率；Inception则引入多尺度卷积与1x1降维技术，在控制计算成本的同时增强了对不同尺度特征的提取能力。文章详细对比了两种架构的特点，并结合PyTorch代码实现帮助理解，最后给出了实际应用中如何根据数据量、计算资源和任务需求选择合适架构的建议。
【深度学习经典网络架构—3】：VGG（附Keras实现）
王乐予的博客
12-16 5462
目录一、网络简介二、网络结构2.1 网络配置2.2 网络立体图结构2.3 网络平面图结构三、网络特点四、Keras实现4.1 程序编写4.2 打印模型信息五、总结 一、网络简介 VGG网络是由牛津大学计算机视觉组和谷歌DeepMind公司共同设计的。 VGG网络并且在2014年在ILSVRC大赛上获得了定位项目的第一名和分类项目的第二名。 作者通过VGG论证了一个非常重要的结论：CNN的深度与小卷积核的使用对图像识别与分类有很大影响！ 论文链接：Very Deep Convolutional Network
VGG16各层处理过程
Anne332的博客
09-09 2751
1、输入224x224x3的图片，经64个3x3的卷积核作两次卷积+ReLU，卷积后的尺寸变为224x224x64 2、作max pooling（最大化池化），池化单元尺寸为2x2（效果为图像尺寸减半），池化后的尺寸变为112x112x64 3、经128个3x3的卷积核作两次卷积+ReLU，尺寸变为112x112x128 4、作2x2的max pooling池化，尺寸变为56x56x128 5、经256个3x3的卷积核作三次卷积+ReLU，尺寸变为56x56x256 6、作2x2的max pooling池.
VGG网络结构详解
xiaofeixia002X的博客
12-08 1964
VGG网络结构详解
VGG网络结构详解以及感受野的计算
pyscl01的博客
10-29 4912
VGG网络结构详解以及感受野的计算
VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
长风破浪会有时，直挂云帆济沧海
03-19 5万+
论文理解 - VGGNet - Very Deep Convolutional Networks for Large-Scale Image Recognition [VGG-Paper] [原文地址 - Very deep convolutional networks for large-scale image recognition] 一篇对 VGGNet 理解比较详细的博客，很长...
VGG 经典神经网络学习笔记 （附代码）
PLANTTHESON的博客
10-11 3362
VGG 经典神经网络学习笔记 （附代码）
VGG的结构:视觉几何组（Visual Geometry Group）
ZhangJiqun&191cm&85kg
08-25 1146
牛津大学的视觉几何组（Visual Geometry Group）设计了 VGGNet(也称为 VGG)，一种经典的卷积神经网络 (CNN) 架构。在 2014 年 ILSVRC 分类任务中，VGG 取得了第二名的成绩。现在过去多年，VGG 仍然被广泛应用在图像识别、语音识别、机器翻译、机器人等领域。 VGG 具有 16 层（VGG-16）和 19 层（VGG-19）的卷积神经网络，两者的结构类似，接下来详细解读 VGG-16 的结构，VGG-16 由 13 个卷积层和 3 个全连接层组成（层数是计算全连
VGG 网络结构
hankerbit的博客
04-13 9757
从图中可以看出VGG结构由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大池化）分开，所有隐层的激活单元都采用ReLU函数。VGG最大的贡献就是证明了卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。 卷积层部分尺度没有变化（3*3的卷积核，stride为1，padding为1），只有通过max pooling层时尺度缩...
卷积神经网络VGG
null的专栏
09-23 7842
VGG网络结构相对比较简洁，整个网络结构中只用到了3×33\times33×3的卷积核和2×22\times22×2的最大池化，通过堆叠小的卷积核实现较大卷积的操作，通过这样的方式加深了网络的结构，但是在网络中还是出现计算量较大的情况，主要是出现在最后的几组全连接层，其中第一个全连接fc6的参数为25088×4096+4096=10276454425088×4096+4096=102764544。
【重读经典网络1】--VGG
AI小花猫的博客
05-26 2884
重读VGG网络，并手动实现网络，并进行猫狗数据集分类实战
经典CNN模型（三）：VGG（PyTorch详细注释版）
qq_51872445的博客
07-24 1万+
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。
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