VGG16图像分类代码 vgg图像识别

---

文章目录

• 一 论文总体创新点
• 二 研究背景、成果和意义

• 2.1 研究背景
• 2.2 研究成果

• 三 摘要的核心
• 四 VGG结构
• 五 VGG特点

• 5.1 堆叠3X3卷积
• 5.2 尝试1X1卷积 借鉴NIN 可以增加非线性激活函数，提升模型效果

• 六 训练技巧

• 6.1 数据增强
• 6.2 预训练模型初始化

• 7 测试技巧

• 7.1 多尺度测试
• 7.2 稠密测试(Dense test)：将FC层转换为卷积操作，变为全卷积网络，实现任意尺度图片输入
• 7.3 Multi-Crop测试
• 7.4 多尺度测试

• 八 实验结论

• 8.1 Single scale evaluation
• 8.2 Multi scale evaluation
• 8.3 Multi crop evaluation

• 九 论文启发点

---

Very deep convolutional networks for large-scale image recognition
大规模图像识别的深度卷积神经网络
作者：Karen Simonyan & Andrew Zisserman
单位：VGG（牛津大学视觉几何组）
发表会议及时间：ICLR 2015

---

一 论文总体创新点

• 模型结构设计上：首次采用小卷积核 堆叠使用卷积核 分辨率减半，通道数翻倍
• 训练技巧上：增加了尺度扰动 预训练模型初始化
• 测试技巧上：多尺度测试（Dense测试/Multi-crop测试） 多模型融合

二 研究背景、成果和意义

2.1 研究背景

这个模型是在ILSVRC2014挑战赛上产生的，在这个竞赛上脱颖而出大量的经典模型：AlexNet、VGG、GoogLeNet等。

• AlexNet：ILSVRC-2012 分类冠军，里程碑的CNN模型。
• ZFNet：ILSVRC-2013分类冠军，对AlexNet改进。
• OverFeat：ILSVRC-2013定位冠军，集分类、定位和检测于一体的卷积网络方法。

VGG借鉴了AlexNet卷积模型结构，借鉴了ZFNet采用小卷积核的思想，普遍用3X3卷积核，借鉴了OverFeat全卷积，实现高效的稠密预测（Dense），尝试1X1的卷积核。

2.2 研究成果

VGG在比赛中取得定位第一，分类第二的成绩 GoogLeNet取得分类第一，定位第二的成绩。
开启了小卷积核时代：3X3成为主流模型
作为各类分类任务的骨干网络模型结构：分类、定位、检测、分割一系列图像任务大都有VGG作为backbone。

三 摘要的核心

• 在大规模图像识别任务中，探究卷积网络深度对分类准确率的影响
• 研究3*3卷积核增加网络模型深度的卷积网络的识别性能，同时将模型加深到16-19层

四 VGG结构

论文中给出了ConvNet Configuration五个模型的架构，从VGG11到VGG19，可以看下图，论文中给出的结构模型。

从VGG11到VGG19 他们的共性有：首先有5个Maxpool，这个的作用是降低分辨率，一个Maxpool的话可以一张图片的分辨率降低1/2，用5个的话就是32倍，从图上看输入是224，经过第一个Maxpool后变为112，依次分辨率减半，但是他的通道数是依次增加的，为了不损失精度的做法。然后是用3个FC层进行分类输出，Maxpool之间采用多个卷积层堆叠，对特征进行抽取和抽象。

为什么从VGG11层开始！？ 论文中提到Goodfellow et al. (2014) applied deep ConvNets (11 weight layers) to the task of street number recognition。

从VGG11 到 VGG19他的演变过程是：A是11层 到A-LRN在第一个卷积层上加了LRN，但是效果不是很好，LRN也就在这篇论文中被毙掉了，然后B模型是在第1、2个block中增加了1个卷积33卷积核，C模型在第3、4、5个block分别增加了1个11卷积核，表明增加非线性有益于提升指标。D模型在3、4、5个block将1X1的卷积核替换为3X3，E模型分别在D的基础上，又加了1个3X3卷积。

但是，参数量的话并没有增加多少。

五 VGG特点

5.1 堆叠3X3卷积

• 增大感受野
• 2个3X3卷积相当于1个5X5卷积
• 同理3个3X3卷积堆叠等价于一个7X7卷积
• 增加非线性激活函数，增加特征抽象能力‘
• 减少了训练参数
• 可看成是7X7卷积核的正则化，强迫分解为3X3
  
  这里减少的参数计算方法：
  假设输入、输出通道均为C个通道，一个7X7卷积核需要的参数：7X7XCXC ，三个3X3卷积核所需要参数量：3X（3X3XCXC），参数减少比 44%

5.2 尝试1X1卷积 借鉴NIN 可以增加非线性激活函数，提升模型效果

六 训练技巧

6.1 数据增强

方法一： 针对位置
在训练阶段，按比例缩放图片至最小边S，随机位置裁剪出224X224区域，随机进行水平翻转
方法二：针对颜色
修改RGB通道的像素值，实现颜色扰动

S的设置方法：
固定值：固定为256或384
随机值：每个batch的S在[256,512]，实现尺度扰动

6.2 预训练模型初始化

深度神经网络对初始化敏感
1 深度加深时，用浅层网络初始化
例：B、C、D、E用A模型初始化
2 Multi-scale训练时，用小尺度初始化
S=384时，用S=256模型初始化
S=[256,512]时，用S=384模型初始化

7 测试技巧

7.1 多尺度测试

图片等比例缩放至最短边为Q，设置3个Q，对图片进行预测，取平均

方法一： 当S为固定值时，Q=[S-32,S,S+32]

方法二： 当S为随机值时，Q=（S_min,0.5*(S_min+S_max),S_max）

7.2 稠密测试(Dense test)：将FC层转换为卷积操作，变为全卷积网络，实现任意尺度图片输入

7.3 Multi-Crop测试

借鉴AlexNet与GoogLeNet对图片进行Multi-crop，裁剪大小为224*224，并水平翻转1张图，缩放至3种尺寸，然后每种尺寸裁剪出50张图片。

7.4 多尺度测试

等比例缩放图像至三种尺寸
方法一：Dense：全卷积，sumpool得到11000
方法二：Multi-crop：多个位置裁剪224224区域
方法三：Multi-crop & Dense：综合取平均

八 实验结论

8.1 Single scale evaluation

S为固定值时：Q=S，S为随机值时：Q=0.5*（S_min + S_max）
结论：

1. 误差随深度加深而降低，当模型到达19层时，误差饱和，不再下降
2. 增加1*1有助于性能提升
3. 训练时加入尺度扰动，有助于性能提升
4. B模型中，33替换为55卷积，top1下降7%

8.2 Multi scale evaluation

方法一：Q=[S-32,S,S+32]
方法二：Q=[S_min,0.5*(S_min+S_max),S_max]
结论：

1. 测试时采用采用Scale jittering（尺度扰动）有助于性能提升

8.3 Multi crop evaluation

方法：等步长的滑动224224的窗口进行裁剪，在尺度为Q的图像上裁剪55=25张图像，然后再进行水平翻转，得到50张图像，结合三个Q值，一张图片得到150张图片
结论：

1. Multi-crop优于dense
2. Multi-crop结合dense，可形成互补，达到最优结果

九 论文启发点

1. 采用小卷积核，获得高精度
2. 采用多尺度及稠密预测，获得高精度
3. 1*1的卷积可认为是线性变换，同时增加非线性层
4. 填充大小准则：保持卷积后特征图分辨率不变
5. LRN对进度无提升
6. S远大于224，图片可能仅包含物体的一部分
7. 大尺度模型采用小尺度模型初始化，可加快收敛
8. 物体尺度不一，因此采用多尺度训练，可以提高精度Mutli crop存在重复计算，因而低效
9. mutli crop可看成dense的补充，因为他们边界处理有所不同
10. 小而深的卷积网络优于大而浅的卷积网络
11. 尺度扰动对训练和测试阶段有帮助