**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。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。
举报投诉
相关推荐
学习方法来对高血压的四个阶段进行分类。这里采用的分类方法是:Alexnet、Resnet -50、VGG-16和新的模型:AvgPool_VGG
发表于 05-11 20:01
,并分别构造并初始化了用于MNIST手写数字识别的KPU对象。然后便是在一个循环中不断地获取摄像头输出的图像,在对图像进行预处理后,将图像送
发表于 11-19 10:30
。目前,SAR图像分类多是基于单通道图像数据。多通道SAR数据极大地丰富了地物目标信息量,利用多通道数据进行分类,是SAR
发表于 04-23 11:52
深度学习目前已成为发展最快、最令人兴奋的机器学习领域之一。本文以计算机视觉的重要概念为线索,介绍深度学习在计算机视觉任务中的应用,包括网络压缩、细粒度图像分类、看图说话、视觉问答、图像
发表于 06-08 08:00
为提升识别准确率,采用改进神经网络,通过Mnist数据集进行训练。整体处理过程分为两步:图像预处理和改进神经网络推理。
发表于 12-23 08:07
针对SAR图像纹理特征丰富的特点,本文提出一种新的SAR图像分类方法:通过提取Brushlet变换的能量及相位信息作为SAR图像的纹理特征,然后输入径向基函数RBF
发表于 12-18 16:20
•20次下载
神经网络分类
特征提取和选择完成后,再利用分类器进行图像目标分类,本文采用神经
发表于 03-01 17:55
•1685次阅读
)、OverFeatL 3种深度卷积神经网络(DCNN)提取的融合特征进行遥感图像场景分类方法。通过利用利用3种DCNN提取的归一化的融合特征进行
发表于 01-10 16:05
•2次下载
为了在不增加较多计算量的前提下,提高卷积网络模型用于图像分类的正确率,提出了一种基于复杂网络模型描述的图像深度卷积
发表于 12-24 16:40
•4次下载
与同类标签特征图进行交换,充分融合有限的图像特征,以解决图像识别中样本不足的问题。实验结果表明,该算法对标注数据的依赖性较低且有效提升了网络识别准确率,适用于数据量较小的
发表于 03-22 14:59
•27次下载
改进VGG模型在苹果外观识别分类中的应用
发表于 07-02 14:52
•30次下载
如何搭建VGG网络,实现Mnist数据集的图像分类?
2 方法
步骤:
发表于 02-14 15:00
•694次阅读
电子发烧友网站提供《PyTorch教程8.2之使用块的网络(VGG).pdf》资料免费下载
发表于 06-05 10:11
•0次下载
摘要:针对复杂环境下人脸图像美感分类准确率低的问题,给出一种适用于人脸图像美感分类的网络模型F-Net。该模型以LeNet-5为基础
发表于 07-19 14:38
•0次下载
使用卷积神经网络(CNN)进行图像分类是一个涉及多个步骤的过程。 1. 问题定义 确定目标 :明确你想要分类的
发表于 11-15 15:01
•277次阅读
评论