Very deep convolutional networks for large-scale image recognition

这篇主要探索深度对CNN的影响,从这篇的结果16-19层对大规模图像分类的效果具有更好的效果以及在2014年googlenet中网络层数达到22层,甚至于可以实现更多层的这种CNN结构,目前对CNN的研究趋势似乎是朝更深的方向发展,同时这种堆叠特征的策略也给我们一些启示。

但是 对于层数越深效果可能实现不明显的提升,其花费的代价也会提升,如何达到这其中平衡,这也是一件值得思考的事。

Very deep convolutional networks for large-scale image recognition_第1张图片

结论:A与A-LRN比较,加上LRN不会增加准确率;

A(11层)到D(16层)深度越深,准确率越高。但增加到19层(E)不会提高;

C与D比较,相同深度,C包括1*1的卷积层而D全是3*3,C比D准确率要低。C与B比较,虽然深度更深,但是增加的是用于增加非线性特征的1*1层。说明,额外增加的非线性特征确实增加了准确率,但是选取适当数量有意义的卷积层也很重要,所以D强于C;

384*N的最后效果比256*N的略好。可能是其训练数据更多一些。

Very deep convolutional networks for large-scale image recognition_第2张图片

你可能感兴趣的:(Very deep convolutional networks for large-scale image recognition)