VGGNet Note

小白的第一次英文论文之旅,记录一下吧

Abstract

作者主要研究了在大规模图像识别设置中卷积网络深度对其准确性的影响。

Creative point

1、在训练过程中,ConvNets的输入是一个固定大小的224 × 224 RGB图像。我们所做的唯一预处理是从每个像素中减去平均RGB值(在训练集上计算) 图像通过一堆卷积(conv.)层,其中我们使用接收域非常小的滤波器:3 × 3

2、在其中一种配置中,他们还使用了1 × 1的卷积滤波器。前两个各有4096个通道,第三个执行1000路ILSVRC分类,因此包含1000个通道(每个类一个)。最后一层是软最大层。

3、批大小设置为256,动量设置为0.9。训练通过权重衰减(L2惩罚乘数设置为5·10e−4)和对前两个全连接层进行dropout正则化(dropout ratio设置为0.5)

学习速率最初设置为10e−2,然后当验证集准确性停止提高时,学习率降低10倍。总共降低了3次学习率,经过370K次迭代(74个epoch)后停止学习。

4、设置S的第二种方法是多尺度训练(multi-scale training),每个训练图像都是通过从一定范围[Smin, Smax](我们使用的是Smin = 256和Smax = 512)随机采样S来单独缩放。最后,为了获得固定大小的图像类分数向量,对类分数映射进行空间平均(和池)。

Figures

(1、2)

VGGNet Note_第1张图片

Models

VGG16

VGGNet Note_第2张图片

Experiment

Datasets

Evaluation and summary

1、结果再次证实了深度在视觉表现中的重要性

2、第一次这么长的英文论文,理解的不是太好

New word

investigate 侦察 调查 研究

multiply 相乘

convolution filters 卷积过滤器

prior-art configuration 现有技术配置

localization 定位

classification tracks 分类跟踪

generalize 概括 归纳

state-of-the-art 最先进的

repositories 贮藏室

distributed clusters 分布式集群

in particular 特别是

testbed 试验台

commodity 商品 必需品

parameters 参数

facilitate 使更容易 促进

affiliation 联系 加盟

for completeness 出于完整性的考虑

appendix 阑尾 附录

revision 修改 修订 复习

generic layout 通用的布局

stride 步幅 进展

spatial padding 空间填充

resolution 决议 解决 分解

response 反应 回复 应答

normalization 正常化

where applicable 在适用情况下

rectification 整改

discriminative 区别的

parametrized 参数化

imposing 壮观的 打扰 麻烦

decomposition 分解

optimize 使优化

regression 后退 倒退

back-propagation 反向传播

penalty multiplier 惩罚乘数

validation 验证 确认

epoch 时代 纪元

conjecture 猜想

initialisation 初始

augment 增加

undergo 经验 遭遇

horizontal 水平的 统一的

rescaling 尺度改变

take on 承担

correspond 对应

jittering 紧张

isotropically 各向同性 等轴性的

posteriors 其次的 后部 臀部

padded 有填装的 填补

implementation 实现

exploit 剥削 压榨

parallelism 平行 类似

off-the-shelf 现成的

notably 明显地

discrepancy 差异

variable 变量

convolution 卷积 回旋

ensemble 乐团 合奏的

outperform 做得比...好 胜过

irrespective of 不管

coordinates 坐标 使协调 使调和

protocols 协议 条款 拟定协议、草案

factor out 提出来

fully-fledged 成熟的 发育全的

scenario 设想 场景

intersection 交接 相交

per-class regression 每类回归

outperform 胜过 做得比...好

class-agnostic 与类无关

single-class regression 单类回归

noticeably 明显

notably 显著地 尤其

extractors 提取器

over-fitting 过度学习

hand-crafted 手工制作的

descriptor 描述符

horizontally 水平地

你可能感兴趣的:(Paper,note,深度学习,计算机视觉,人工智能)