Very Deep Convolutional Networks for Large-Scale Image Recognition¶
论文¶
https://arxiv.org/abs/1409.1556
摘要¶
Cite
在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献是使用具有非常小（3×3） 卷积滤波器的架构对深度增加的网络进行了彻底评估，这表明通过将深度推至16–19个权重层，可以实现对现有技术配置的显著改进。 这些发现是我们2014年ImageNet挑战赛提交的基础，我们的团队分别在本地化和分类方面获得了第一和第二名。我们还表明， 我们的表示可以很好地推广到其他数据集，在那里它们可以获得最先进的结果。我们已经公开了两个性能最好的ConvNet模型，以便于进一步研究计算机视觉中的深度视觉表示
CNN经典网络之一，像题目中所说，主要探索网络深度对性能的影响
工作¶
不同深度的VGG网络
总结¶
Cite
在这项工作中，我们评估了用于大规模图像分类的非常深的卷积网络（高达19个权重层）。已经证明，表示深度有助于分类精度， 并且可以使用深度显著增加的传统ConvNet架构（LeCun等人，1989；Krizhevsky等人，2012）实现ImageNet挑战数据集的最先进性能。 在附录中，我们还表明，我们的模型很好地适用于广泛的任务和数据集，匹配或优于围绕较低深度图像表示构建的更复杂的识别管道。我们的结果再次证实了深度在视觉表现中的重要性