一句话导读
用”更深更整齐”的卷积层刷新图像识别纪录
论文信息
| 英文原名 | Very Deep Convolutional Networks for Large-Scale Image Recognition |
| 中文常用名 | VGG网络 |
| 作者 | Simonyan, Zisserman |
| 发表年份 | 2015 |
| 出处 / 获取 | arXiv:1409.1556 |
| 所属专题 | 经典网络架构 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：2014 年前后，主流 CNN（AlexNet、ZFNet）使用大卷积核（如 7×7、11×11），网络深度有限。一个朴素而重要的问题：把网络做得非常深（如 16~19 层），是否必然更好？
二、核心创新：VGG 系统研究了深度对 CNN 的影响：只用 3×3 小卷积核（步长 1）+ 2×2 最大池化堆叠网络，16/19 层版本（VGG16/VGG19）在 ImageNet 上取得当时 SOTA（ILSVRC 2014 定位第一、分类第二）。作者论证：两个 3×3 卷积串联等效于一个 5×5 感受野，三个串联等效 7×7，但参数更少、非线性更强。
三、关键技术细节：① 全部卷积核 3×3、全连接层 4096 维，结构极其规整；② 用 2 层/3 层 3×3 卷积堆叠代替大核，在相同感受野下加深网络；③ 训练采用小批量 SGD、图像随机缩放与水平翻转增强；④ 138M 参数（VGG16），虽然计算量大，但架构简单、特征语义强，成为特征提取的标准工具。
影响与后续发展
VGG 证明了”小卷积核+深网络”的有效性，其预训练权重长期是物体检测（Faster R-CNN）、语义分割（FCN）、风格迁移的默认骨干网络；”规整堆叠”的设计哲学也启发了后续 ResNet 等的简洁架构风格。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Very Deep Convolutional Networks for Large-Scale Image Recognition (VGG): We investigate the effect of the convolutional network depth on its accuracy in the large-scale image recognition setting, and show that increasing depth with very small (3×3) convolution filters significantly improves performance. Our 16-19 layer networks achieve state-of-the-art accuracy on ImageNet and became a widely used backbone architecture.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。