(개념)VGG16

VGG16 이미지1

 

VGG 이미지 2(위의 표 중 D가 VGG16에 해당함)

 

 

VGG16 Architecture 구성

- 13 Convolution Layers + 3 Fully-connected Layers with ReLu (합성곱과 함께 활성함수 ReLu도 사용)

- 3*3 convolution filters

- stride: 1&padding:1

- 2*2 max pooling(stride:2) => 위의 표에서는 'M'이 MaxPooling임

- conv3: 3X3 필터

- conv1: 1X1 필터

- conv3-N: N은 필터의 개수. conv3-64라고 하면 64개의 3X3 필터를 학습 매개변수로 사용했다는 의미

 

------------------------------------------------------------------여기까지가 Feature Extractor: 이미지의 특성 뽑는 기능

 

- FC: 완전히 연결된 FC 레이어

- softmax: 출력층은 classification을 위한 softmax 함수 사용

-------------------------------------------------------------------Classifier: fully connected 레이어와 출력층에서 이미지를 분류하는 기능

 

VGG16은 왜 Conv 필터의 사이즈가 3*3으로 고정되어 있을까? 

 

- 필터를 거칠수록 이미지의 크기는 줄어듦. 필터의 사이즈가 클수록 이미지가 줄어드는 것이 빨라져서 레이어를 깊게 만들 수 없음

- 따라서 필터를 가장 작은 사이즈인 3*3으로 설정하여 큰 필터보다 이미지가 적게 줄어서 상대적으로 레이어가 깊은 모델을 만들어서 사용함

- 각 Convolution 연산은 ReLu 함수를 포함함. 따라서 필터링을 많이 하면 ReLu 함수가 그만큼 많이 적용되는 것. 비선형 함수인 ReLu가 많이 적용되면 결정함수의 비선형성이 증가하게 되어서 이미지의 특징을 더 잘 식별할 수 있게 됨

- Convolution Network 구조를 학습할 때, 가중치는 필터의 크기에 해당함. 따라서 작은 필터를 사용하면 파라미터 수가 감소함. 

 

 

☎ 참고 자료

 

- VGG16 모델 구조: https://medium.com/@msmapark2/vgg16-%EB%85%BC%EB%AC%B8-%EB%A6%AC%EB%B7%B0-very-deep-convolutional-networks-for-large-scale-image-recognition-6f748235242a

VGG16 논문 리뷰 — Very Deep Convolutional Networks for Large-Scale Image Recognition

 

-VGG16 모델 구조: https://daechu.tistory.com/10

[VGGNet] VGGNet 개념 정리