VGG 16

VGG 16

• 이미지 분류와 객체 검출 작업에서 사용되는 모델
• 깊이가 16개 층인 CNN이다.
• 현제는 딥러닝 모델의 기반으로 자주 사용됨.
• 장점
  • 단순하며 성능이 좋으며, 전이학습에서 사용 가능
• 단점
  • 많은 파라미터와 메모리를 가지며 훈련속도가 느리다.
  • 경량화에는 부적합
• 구조..
  • 총 16개의 학습가능한 레이어로 이루어짐. ( convolutional layer + fully connected layer )
  • 입력 크기 : 224 x 224 x 3 크기로 고정. ( 이를 위해서 이미지를 resize해야함)
  • convolution layer ( padding = 1 , stride = 1 )
    • 이미지의 공간적 특징을 추출하며, 3 x 3 크기의 필터를 사용한다.
      • 필터의 크기는 특징을 세밀하게 추출하면서, 계산 복잡도를 억제함.
    • 각각의 convolution layer뒤에 ReLU활성화를 해서 비선형성을 부여함.
  • max pooling
    • 컨볼루션 레이어들 마다 max pooling을 삽입하여, 차원을 축소하며 중요한 정보를 요약한다.
    • 2 x 2 크기의 풀링 윈도우와 stride = 2 이다.
  • fully connected layers
    • 해당 레이어로 이미지의 최종 클래스를 예측함.
  • softmax
    • 마지막 레이어를 softmax활성화 함수를 사용 

	크기
입력	224 x 224 x 3	conv 3x3 + ReLU
첫번째 블록	224 x 224 x 64	conv 3x3 + ReLU
	224 x 244 x 64	conv 3x3 + ReLU
	112 x 112 x 64	2 x 2 max pooling
두번째 블록	112 x 112 x 128	conv 3x3 + ReLU
	112 x 112 x 128	conv 3x3 + ReLU
	56 x 56 x 128	2 x 2 max pooling
세번째 블록	56 x 56 x 256	conv 3x3 + ReLU
	56 x 56 x 256	conv 3x3 + ReLU
	56 x 56 x 256	conv 3x3 + ReLU
	28 x 28 x 256	2 x 2 max pooling
네번째 블록	28 x 28 x 512	conv 3x3 + ReLU
	28 x 28 x 512	conv 3x3 + ReLU
	28 x 28 x 512	conv 3x3 + ReLU
	14 x 14 x 512	2 x 2 max pooling
다섯번째 블록	14 x 14 x 512	conv 3x3 + ReLU
	14 x 14 x 512	conv 3x3 + ReLU
	14 x 14 x 512	conv 3x3 + ReLU
	7 x 7 x 512	2 x 2 max pooling
Flatting 단계	7 x 7 x 512 특징맵을 Flatten으로 1차원 벡터로 바꾼다. 이는 7x7x512=25088개의 요소로 이루어짐.
Fully Connected Layer	Flatten된 벡터를 입력받아서 4096개의 뉴런으로 변환함. 그리고 ReLU적용
	Flatten된 벡터를 입력받아서 4096개의 뉴런으로 변환함. 그리고 ReLU적용
Softmax	softmax활성화 함수를 사용해서, 각 클래스에 속할 확률을 계산한다.