文章目錄
- 前言
- 第6-8頁
- 第10-13頁
- 總結
前言
之前的部分，在這-> CNN基礎論文 精讀+複現----VGG(一)
後面就是評估和總結了以及代碼複現了。
第6-8頁
第6頁開始就是評估他的模型和結論了，
之前有說過VGG中的ConvNet輸入從S中裁剪（我們也将S稱為訓練尺度）。考慮兩種方法來設定訓練尺度S，一種方法是固定S的大小，另一種方法是從一定區間内随機取S(測試集記為Q)。
4.1小節 固定Q的大小然後做的評估，
4.2小節 中的Q不再固定，而是取幾個值。
結果對比給了兩張圖 : 第一張是固定Q，第二張不固定Q。
簡單的說一下 就是A-E的實驗組，後面的train(S)就是之前說的訓練尺度大小S。測試集test(Q) 就是取值固定或者幾個值作為測試集 記作Q。後面就是top1和top5錯誤率。
這一大段總結下來就幾點:
- 深層小卷積核比淺層大卷積核效果更好,（但1*1沒有3 * 3好,C實驗組為 1 * 1 D實驗組為3 * 3)，
- 4.1就是固定Q 大小做評估，4.2 小節就是 Q的大小是一個範圍的情況下做的評估。
- 層數越深，誤差越小，但作者在論文中說到，當使用imagenet資料集的時候，VGG到達19層深度時飽和，更深的層次對精度沒有提升，但如果資料集變的更大，則更深的網絡可能有幫助。
- 在上表中可以看到A組和A-LRN組的top1和top5錯誤率幾乎持平，也就是在這裡推翻了之前Alex的LRN層。
- 可以看到當訓練集S的大小不固定的時候，測試出來的效果會比較好，且Q的測試集變動時 整體上相比 較上一個表，錯誤率有明顯降低。
4.3小節;
一句話總結:多裁剪(multi-crop)評估比起密集(dense)評估，效果更好。而且兩者具有互補作用，結合兩種方式，效果更好。
密集評估（Dense）：就是在第三章說的将全連接配接層都變成卷積網絡的那種訓練方式。
多裁剪 (multi-crop)：即對圖像進行多樣本的随機裁剪，然後通過網絡預測每一個樣本的結構，最終對所有結果平均。
後面作者給了張圖:
可以看到 單方法的 multi-crop 比dense的方法要稍好一些。
這裡就搞笑了，作者在3.2節親口批評了别人使用多裁剪的方法，你這裡就又用上别人的方法了哈哈6666。
4.4小節
一句話:結合多個模型，最後的結果通過sofamax平均再結合判斷，發現這樣的效果會好很多。
然後作者放了一張圖:
可以看到 當使用DCE等7個變形網絡結合時，top5錯誤率7.3左右，結合DE并使用密集型評估，top5錯誤率降低到7.0，結合DE并使用密集型加多裁剪的方法，top5錯誤率降低到了6.8。
4.5小節
這節可以不看，總結下來作者就是一句話:我們的模型很強，你們都不行，即使第一名的Googlenet，我們也隻和他們差一點點，在雷式對比法中甚至還強些…實在是高，我學會了，如果有一天我寫論文，我也這麼幹。
第10-13頁
這裡是一些附錄嗎這算是，，，就是在說VGG的後續改版與更新的一些東西。 有兩種測試方法，第一種單類回歸（SCR），最後的預測輸出是4-D，而第二種每類回歸（PCR)，最後的預測輸出包含了1000個類别即4000-D。
簡單來說 SCR ：檢測的時候所有類别共享一個框。
PCR： 每個類别一個框。
然後還說了一堆什麼亂七八糟的沒怎麼仔細看,最後就是作者發現單類回歸效果比多類要好。
總結
感覺這篇論文并沒有前幾篇提出的東西猛，也不知道是不是我還沒學到精髓。反而感覺作者逐漸的現代論文化(誇自己貶低别人造噱頭)哈哈 ~，
優點，新意總結:
- VGG推翻了之前Alex裡提出的LRN模型。
- 提出了 3 * 3的卷積核和 1 * 1 的卷積核 及2 * 2 池化。
- 使用了密集型訓練方法(全連接配接->卷積層)，可适應各種尺寸的圖檔。
- 層數更深、特征圖更寬
- VGG塊的概念。
- 多模型混合訓練。
- 預訓練和遷移學習
這篇文章其實還有很多沒有明白的地方，比如他這個VGG塊，我還沒明白這個塊具體怎麼展現的，代碼中怎麼展現的 ，而且他這個塊和一下都列出來的有啥差別啊。。
還有最後的多模型混和訓練我并不知道怎麼在代碼中實作(屬實是能力有限)。
我覺得對于我們來講，這篇論文最大的作用就是做遷移學習吧？看到很多畢設項目都是拿VGG16做遷移學習。