VGGNet

概述

VGGNet 是由 Karen Simonyan 和 Andrew Zisserman 在 2014 年提出的深度卷积神经网络架构，统一使用 3×3 小卷积核验证了网络深度对性能的关键影响。以其极简设计和出色的性能，VGGNet 成为 ILSVRC 2014 分类亚军和检测冠军，至今仍是迁移学习中最常用的骨干网络之一。

关键内容

1. 核心设计思想：只使用 3×3 卷积核，通过不断叠加来增加网络深度。两个 3×3 卷积的感受野等同于一个 5×5 卷积，三个 3×3 等同于一个 7×7 卷积，但参数量更少（27C² vs 49C²），且增加了两次非线性激活，效果更佳。

2. VGG 家族架构：系统测试了 A-E 六种深度配置，其中 VGG-16（13卷积+3全连接层，共16层，138M参数）和 VGG-19（16卷积+3全连接层，共19层，144M参数）最为经典。深度提升性能，但边际效应递减（19层比16层仅提升0.1%）。

3. 竞赛表现：在 ILSVRC 2014 中，VGG-16 单模型取得了 7.32% 的 Top-5 错误率，仅次于 GoogLeNet 的 6.67%，获得分类亚军；在目标检测任务中获得冠军。

4. 参数效率问题：VGGNet 最大的问题是全连接层参数量巨大（占总参数的 89.4%，约 123.6M 参数），相比之下 GoogLeNet 采用全局平均池化（GAP）替代全连接层，参数量仅 6.8M，是 VGGNet 的 1/20。

5. 迁移学习基石：由于其结构简单、特征质量高且各层特征可解释（浅层检测边缘特征，深层捕获语义特征），VGGNet 成为迁移学习最广泛使用的预训练模型，为各类下游视觉任务提供了高质量的特征提取能力。

来源

• Very Deep Convolutional Networks for Large-Scale Image Recognition (2014 论文) — 原始论文
• ai_papers_timeline.md — 2014 年时间线条目
• raw/articles/ai-papers/foundations/paper_11_vggnet.md — 全文精读

相关

• 卷积神经网络（CNN） — part_of
• AlexNet — extends
• GoogLeNet: Inception — compares_to
• 残差网络（ResNet） — compares_to
• 迁移学习（Transfer Learning） — uses
• University of Oxford — affiliated_with
• Karen Simonyan — created_by
• Andrew Zisserman — created_by
• Top-5 错误率 — measures_performance
• ILSVRC — evaluated_on