VGG梳理

标签：load   精度   结构   image   core   提高   -o   线性   适应   

创新点（小卷积核、小池化核、层数更深、全连接变卷积）

• 对AlexNet改进，在第一个卷积层中使用了更小的卷积核和卷积stride
• 多尺度(训练和测试时，采用图片的不同尺度（当然是按各向同性缩放的最小边划定标准）)
• 层数深
• 测试阶段，将三个全连接变为三个卷积层，以适应任何大小的图片输入（最后那里是score map求平均）

不同层次的网络结构

从上图可以看出，依旧延续了AlexNet的5-3结构（5个卷积快，3个全连接，其中最后一个是输出）

实验结果

• LRN无用
• 加深网络，可以提高精度
• 多尺度输入(训练)可以提高精度
• 多尺度测试也可以提高精度（多尺度训练、多尺度测试合称尺度抖动）
• 融合dense evaluation和multi-scale evaluation效果好
  dense evaluation表示不进行224×224的裁剪，直接放入网络，全连接改为卷积

感受野的大小

卷积神经网络特征图上的像素点映射回原图上的大小

两个问题

Q1：为什么使用3×3的卷积核
（1）减小参数量，若生成相同大小的特征图，三个3×3的卷积相当于一个7×7的卷积：
3×（C×3×3×C）=27C²

C×7×7×C = 49C^{2
(2)激活层增加，增加非线性}

Q2:1×1卷积核的作用
（1）一种为决策增加非线性因素的方式
（2）调整网络的维度扩维或者缩小维度

VGG梳理

标签：load   精度   结构   image   core   提高   -o   线性   适应   

原文地址：https://www.cnblogs.com/liuboblog/p/11909379.html