VGG

VGG: Architettura CNN profonda usando filtri piccoli 3x3 ovunque, enfatizzando profondità. VGG-16 e VGG-19 con 16/19 layer. Architettura semplice e uniforme. Più conv 3x3 approssimano campi ricettivi più grandi efficientemente. Esempi di applicazione: VGG-16 per transfer learning, Backbone estrazione feature, Classificazione ImageNet.

In English: VGGLegge III · Come una rete impara dai dati

VGG-16 e VGG-19 con 16/19 layer. Architettura semplice e uniforme. Più conv 3x3 approssimano campi ricettivi più grandi efficientemente.

Formula

Output di un blocco = 3×3 Conv → ReLU → 3×3 Conv → ReLU → 2×2 MaxPool

Esempio numerico

import torch.nn as nn
block = nn.Sequential(
    nn.Conv2d(64, 64, 3, padding=1), nn.ReLU(),
    nn.Conv2d(64, 64, 3, padding=1), nn.ReLU(),
    nn.MaxPool2d(2)
)
print(sum(p.numel() for p in block.parameters()))  # 73,856

Quando usarlo

VGG16 e VGG19 sono riferimenti per comprendere le CNN e baseline di transfer learning visivo.

Limiti

Hanno molti parametri e costo computazionale; le connessioni residue e le architetture efficienti sono spesso preferibili oggi.

Esempi

  • VGG-16 per transfer learning
  • Backbone estrazione feature
  • Classificazione ImageNet

Autovalutazione

Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.

1. Che cos’è VGG?
Spiegazione

VGG: Architettura CNN profonda usando filtri piccoli 3x3 ovunque, enfatizzando profondità. VGG-16 e VGG-19 con 16/19 layer. Architettura semplice e uniforme. Più conv 3x3 approssimano campi ricettivi più grandi efficientemente. Esempi di applicazione: VGG-16 per transfer learning, Backbone estrazione feature, Classificazione ImageNet.

2. Quale applicazione è coerente con VGG?
Spiegazione

VGG16 e VGG19 sono riferimenti per comprendere le CNN e baseline di transfer learning visivo.

3. Quale voce è collegata a VGG?
Spiegazione

Le voci correlate sono scelte per collegamento tecnico, non per somiglianza casuale.

Fonti