CNN-VGG

1 . 图像识别的过程

  • **获取原始信息：**通过传感器将获取到的外界信息（比如图像）转换为计算机可以处理的信号。

  • **预处理：**对图像进行平移变换、旋转、去噪声…操作，目的是加强图像中的感兴趣特征。

  • **特征抽取与特征选择：**是指在模式识别中，需要进行特征的抽取和选择。特征抽取和选择在图像识别过程中是非常关键的技术之一。

  • **分类器设计：**是指通过训练而得到一种识别规则，通过此识别规则可以得到一种特征分类，使图像识别

    技术能够得到高识别率。分类决策是指在特征空间中对被识别对象进行分类，从而更好地识别所研究的

    对象具体属于哪一类。

2. 分类与检测

分类： 分类即为给定一张图片，能够完成将其判定为某个类别的工作。

检测： 检测即为将给定类别的对象在图片中找出来，并给出在图片中的存在区域的工作。

3. VGG神经网络

常见的CNN（卷积神经网络）

笔者上一篇博客所提到的AlexNet是最经典的CNN模型，而VGG是基于AlexNet进行过改进的网络模型，后面发展出来的这几个分支的（不同色块不同分支）都有各自的优化特点，而VGG的特点是网络很深，达到了16-19层，并且用了小卷积核（3x3）

VGG19（数字代表层数，每层又包含一定的卷积、池化、全连接等操作）如下

下面以VGG16为例进行分析：

vgg16网络结构含有参数的网络层一共有16层，即13个卷积层，5个池化层，3个全连接层，不包括激活层。(注：池化层不包含参数，故VGG16的16计算不包含无参数的层，只计算了卷积层和全连接层)

例子：

逐层分析：

输入图片为(224,224,3)即分辨率224x224的三通道图片信息，如果图片大小不同需要resize

通道数计算公式：N=(W-F+2P)/S + 1

conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为
(112,112,64)。
conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出
net为(56,56,128)。
conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net
为(28,28,256)。
conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(28,28,512)，再2X2最大池化，输出net
为(14,14,512)。
conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(14,14,512)，再2X2最大池化，输出net
为(7,7,512)。
利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,4096)。共进行两次。
利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,1000)。

最后输出的就是每个类的预测。

VGG的优化策略思想

使用卷积层代替全连接层

全连接层的计算方式其实就是卷积核大小为feature map大小的卷积，使用卷积层代替全连接层的办法就是将卷积核设为输入空间大小。

为什么要如此操作，因为很多计算机资源（如CUDA）对卷积操作进行了处理，能够加速，而FC却不能，故而能够提高效率。

例如VGG16第一个全连接层的输入是7x7x512，输出为1x1x4096，这可以用一个卷积核大小7x7, 步长
(stride)为1, 没有填补(padding)，输出通道数4096的卷积层等效表示，其输出为1x1x4096，和全连
接层等价。后续的全连接层可以用1x1卷积等效替代。

1x1卷积

1x1卷积能够实现特征通道的升维和降维，这样使用卷积核的个数就是输出的通道数，相比池化层并不能改变通道数，其只能实现feature map的降维。

个人学习笔记，仅交流学习，转载请注明出处！