[Model] VGGNet

VGGNet

• 참고 자료
  • https://bskyvision.com/504
• VGGNet의 구조

  • 

• VGGNet도 ILSVRC 대회에 참여했지만 “준우승”을 한 모델임
  • 준우승인데 왜 주목을 받는지? 그 당시 대회에서 우승을 한 모델은 GoogLeNet인데, 우승모델보다 구조적으로 간단하고 낮지않은 성능으로 주목을 받게되었음
• VGGNet부터 Layer들이 점점 깊어지기 시작함. 논문의 제목은 “Very Deep Convolutional Networks for Large-Scale Image Recognition”
• 논문제목에서도 알수있듯이, 네트워크의 “깊이”에 초점이 맞춰진 논문이여서, Convolution 필터 커널 사이즈를 제일작은 3*3으로 고정했다.
• 논문에서는 총 6개의 구조로 실험을 진행

  • 

  • Model D → VGG16, Model E → VGG19
  • LRN → Local Response Normalization
  • A, A-LRN 모델을 비교했을때, 성능상 차이가 없는것으로 보여서, 그 이후의 모델들에 대해서는 LRN을 적용하지않았다고 말함
  • B, C, D, E모델을 관찰하면서 “모델 구조가 깊어질수록 성능이 좋아짐”을 관찰하였음
• Convolution필터 관점
  • VGGNet에서는 제일작은 3 * 3 필터를 사용했는데.
  • 이는 3 * 3 필터를 두 차례 Convolution하는것과, 5 * 5 필터로 한번 Convolution하는 것이 결과적으로는 동일한 사이즈의 특성맵을 산출함
  • 또한, 3 * 3 필터를 세 차례 Convolution을 하면, 7 * 7 필터로 한번 Convolution하는 것과 동일함
  • 3 * 3 필터로 몇 차례 Convolution하는것이 7 * 7 필터로 한번하는것보다 무엇이 좋을까?

  • 

    • 가중치 or Parameter의 갯수 차이. 3 * 3 필터가 3개면 총 27개의 가중치를 갖고, 7 * 7 필터는 49개의 가중치를 갖게됨. CNN에서는 모든 가중치에 대해서 학습이 필요하므로 갯수가 적을수록 훈련시켜야할것도 적어진다는 뜻 → 이로서 학습속도도 빨라지게된다