VGG-16 笔记

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_24548569/article/details/82529211

VGG-16

Karen Simonyan 在《Very Deep Convolutional Networks for Large-scale Image Recognition》中讨论了卷积网络的深度对其在大规模图像识别的准确性的影响。作者比较了5中不同深度的卷积网络，其中深度为16的网络——VGG-16成为一种经典的网络架构。许多网络都是在VGG-16的基础上删除和添加其他层。

VGG-16 Architecture

这里只介绍VGG-16的架构，这是用的最多的一种网络，论文中的其它4个就不介绍了。

VGG-16的网络很简单，有13个卷积层（被5个max-pooling层分割）和3个全连接层。所有卷积层的过滤器大小都是$3 \times 3$，步长为1，进行padding。作者设置所有卷积层的过滤器大小都为$3 \times 3$是有原因的，因为过滤器尺度更大的卷积层可以使用多个$3 \times 3$卷积层来达到同样的效果，比如2个连在一起的$3 \times 3$卷积层（步长为1）的接收域与$5 \times 5$的卷积层的接收域一样。作者还给出了更多的解释，首先，使用多个$3 \times 3$卷积层而不是相同接收域的一层卷积层，可以提高网络的分类能力（相当于添加了隐式的正则化）。第二，可以减少参数数量。这里举个例子，3个$3 \times 3$卷积层的接收域相当于1个$7 \times 7$卷积层的接收域，假设卷积前后feature map的channel都是C，那么$3 \times 3$卷积层的参数为$3(3^2 C^2)=27C^2$，而$7 \times 7$卷积层的参数为$7^2 C^2=49C^2$，多了81%。

5个max-pooling分别在第2、4、7、10、13卷积层后面，池化效果是feature map长宽减少一半（filter $2 \times 2$，步长2）。作者并没有使用local response normalisation (LRN)，因为通过对比实验发现LRN并没有提高网络的表现，反而增加的网络的参数。

每次max-pooling之后，feature map的channel都会$\times 2$，从64开始，直到512，之后保持不变。

之后的全连接层的大小分别为4096、4096、1000，因为改网络的目的是对ILSVRC的1000个类分类，所以网络最后使用softmax层。

其他基于VGG-16的网络或者修改最后一层全连接层的大小（不同的分类数量），或者删除最后一层全连接层或删除所有全连接层，后面接上自己设计的网络，把VGG-16作为图片的特征提取器。

图片处理

网络的输入大小为$224 \times 224$，而数据集大图片有各种尺寸，需要统一数据集图片的大小。令图片最短边的长度的S，$S \ge 224$。S稍微大于224效果最好，因为训练时从图片取出$224 \times 224$的区域进行训练，如果S远大于224，提取的区域只包含目标对象的部分位置，降低网络的分类表现。作者使用两种方法设置S的大小。第一种方法是固定S大小，作者尝试两个值，256和384。第二种方法是令$S \in [S_{\min}, S_{\max}]$，每张训练图片都会从$S_{\min}$和$S_{\max}$中随机选取一个S。因为数据的图片是不同尺度的，随机S增加网络的鲁棒性，实验结果也证明了这一点。

训练图片还应用了其他数据归一化技巧，数据合成技巧等，这里就不多说了。

Testing

令测试图片的最短边长度为Q，Q可以和S不同。作者把全连接层改成卷积层，使得整个网络成为全卷积网络，在测试时，直接把整个图片传入网络，最后得到channel为1000的feature map，而每个feature map是图片上不同区域的类别的分数，有feature map的大小取决于缩放后图片的尺度。作者对整个feature map取平均值作为对应类别的分数。

相比于从图片中取多个区域，对每个区域求各类的分数，最后取平均值，全图片卷积能够加快运算时间，而且可以增加整个网络的接收域，接收到更多的内容，因为第一层卷积padding不是填充0，而是图片卷积区域外的像素值。

多GPU训练

作者使用Caffe训练网络。训练过程并行化处理，具体是，把每个batch的训练图片分成几个GPU batch，每个GPU处理一个GPU batch。当算出GPU batch 梯度后，集合所有GPU batch梯度并取平均值作为整个batch的梯度。