**1 **问题
VGG网络由牛津大学的Oxford Visual Geometry Group于2015年提出。从诞生之后就收到了学界的广泛关注。
VGG网络,可以应用在人脸识别、图像分类等方面。VGG有两种结构,分别为16层和19层。具体结构在其文献做了详细表述,如下图所示。
为了学习VGG网络,本组拟采用配置A在MNIST数据集上进行图像分类实验。
**2 **方法
首先MNIST的数据大小为28*28,需要进行resize才能作为VGG网络的输入;同时,本次实验只需要进行10分类,因此将网络本身的最后一层原做1000分类的soft-max层移除,替换为FC-10。网络实现代码如下:
获取数据后进行resize操作:
实验部分代码如下:
实验结果:
**3 **结语
VGG主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能,从本次实验也可以看出,短时间少周期的训练并不能使得如此庞大的网络拥有很好的效果,而在比较小的网络如LeNet-5这样的网络上往往几个周期就能得到较高的精度。遗憾的是因为实验设备性能限制,网络的运行速度很慢,受限于内存大小,BatchSize的大小受限,最大只能到32,没有充足的调整空间。
-
人脸识别
+关注
关注
76文章
4023浏览量
82483 -
图像分类
+关注
关注
0文章
93浏览量
11974 -
vgg
+关注
关注
1文章
11浏览量
5224
发布评论请先 登录
相关推荐
一种利用光电容积描记(PPG)信号和深度学习模型对高血压分类的新方法
《DNK210使用指南 -CanMV版 V1.0》第四十七章 MNIST实验
计算机视觉必读:区分目标跟踪、网络压缩、图像分类、人脸识别
基于Brushlet和RBF网络的SAR图像分类
利用DCNN融合特征对遥感图像进行场景分类

如何使用复杂网络描述进行图像深度卷积的分类方法介绍

基于特征交换的卷积神经网络图像分类算法

评论