← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9424.e · 生成模型:Tencent Hunyuan Hy

VGGNet:以小卷积堆叠深化

理解等级:中级

VGGNet 由牛津大学的 K. Simonyan 与 A. Zisserman 开发,在 ILSVRC 2014 获得亚军。它是 AlexNet 的改进:用多个较小的 3×3 卷积替代 11 和 5 这样的大卷积,并在多个堆叠层上保持一致。其简单、易实现且特征提取能力强,成为对象检测或分割任务中常用的基础网络。VGGNet 按堆叠层数分为多个变体,最常用的是 16 层的 VGG16 和 19 层的 VGG19,都由 3×3 卷积层、最大池化层与末端全连接层组成。它证明深层小卷积能在控制参数的同时提升表达能力,这条思路被 [[GoogLeNet 与 Inception 模块]] 和 [[ResNet 与残差连接]] 推进。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • CNN 架构 经典图像分类 CNN 架构 · 查看原书依据

      VGGNet 是 AlexNet 的改进,用较小的3 x 3卷积代替了 11 和 5 的较高卷积,在多个堆叠层上保持一致。 尽管 VGGNet 并非 ILSVRC 的赢家,但其简单,易于实现的架构及其强大的特征提取功能使 VGGNet 成为对象检测或分割任务中基础网络的明智选择。

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文记载 VGGNet 以 3×3 小卷积替代大卷积并作为检测基础网络,支撑其简单而强于特征提取的结论。 - 原始内容:VGGNet 是 AlexNet 的改进,用较小的3 x 3卷积代替了 11 和 5 的较高卷积,在多个堆叠层上保持一致。 尽管 VGGNet 并非 ILSVRC 的赢家,但其简单,易于实现的架构及其强大的特征提取功能使 VGGNet 成为对象检测或分割任务中基础网络的明智选择。