VGGとは

VGGは、オックスフォード大学のSimonyanとZissermanが2014年に発表したCNNです。名前は、2人が所属する研究グループVisual Geometry Groupの略称に由来します。層を深くすると精度がどこまで上がるかを確かめるため、深さだけを変えた複数の構成を比べました。

小さなフィルタを重ねる

それまでのCNNには、AlexNetのように、最初の層で11×11などの大きなフィルタを使うものがありました。VGG16やVGG19では、畳み込み層のフィルタをすべて3×3にそろえています。

3×3の層を、間にプーリングを入れずに2つ重ねると5×5の範囲を、3つ重ねると7×7の範囲を見られます。入力と出力のチャネル数をどちらもCとすると、3×3を3層重ねた重みの数は3 × 3 × 3 × C × C = 27C²で、7×7の1層の49C²より少なくなります。さらに、層ごとにReLU関数が入るので、より複雑な特徴を表せます。

構成

畳み込み層を数層重ねては、最大値プーリングで縦横を半分にする流れを繰り返します。チャネル数は64から始まり、プーリングのたびに2倍になって512で止まります。最後に全結合層3層で1,000クラスに分類します。重みをもつ層が16層のものをVGG16、19層のものをVGG19と呼びます。

長所と短所

構造が単純で、学習済みモデルも公開されました。そのため、転移学習の特徴抽出器や、SSDやSegNetなどの土台として広く使われました。一方で、VGG16のパラメータ数は約1億3,800万と多く、その大部分は最後の全結合層にあります。計算も重いため、スマートフォンなどの端末で動かす用途には向きません。

2014年のILSVRCでは、画像分類部門でGoogLeNetに次ぐ2位、位置特定の部門で1位でした。

覚え方

「VGGは3×3を積み重ねた、単純で重いCNN」と覚えます。