VGGNet refere-se a uma família de arquiteturas de rede neural convolucional (CNN) desenvolvida pelo Grupo de Geometria Visual (VGG) na Universidade de Oxford. Os modelos são notáveis por sua simplicidade arquitetural, baseando-se em uma pilha uniforme de pequenos filtros convolucionais de 3x3, e foram fundamentais para direcionar o design de CNNs para redes mais profundas. As variantes mais comuns da família, VGG-16 e VGG-19, alcançaram desempenho de ponta no Desafio de Reconhecimento Visual em Grande Escala da ImageNet (ILSVRC) em 2014, e a arquitetura foi amplamente adotada em tarefas de visão computacional por vários anos.
Como produto de pesquisa acadêmica, o VGGNet é um modelo aberto e não comercial, e seu design foi amplamente replicado e adaptado tanto na academia quanto na indústria. A arquitetura formou um ponto de referência fundamental para desenvolvimentos posteriores, incluindo as famílias ResNet e DenseNet, e seus princípios foram revisitados em 2021 com a arquitetura RepVGG.
Desenvolvimento e Contexto Histórico
A série VGGNet foi projetada pelo Grupo de Geometria Visual da Universidade de Oxford, liderado por Karen Simonyan e Andrew Zisserman. Os modelos foram introduzidos em um artigo intitulado "Very Deep Convolutional Networks for Large-Scale Image Recognition", apresentado em 2014. O trabalho visava avaliar sistematicamente como o aumento da profundidade da rede afeta a precisão, em contraste com a arquitetura anterior AlexNet (2012), que havia sido projetada "do zero" com tamanhos de filtro maiores e mais variados.
A abordagem do VGGNet era compor módulos genéricos e repetitivos: convoluções de 3x3 com ativações ReLU, intercaladas com camadas de max-pooling de 2x2, seguidas por camadas totalmente conectadas e uma camada softmax. Esse design modular simplificou a construção e a análise de redes profundas, e os resultados empíricos do artigo demonstraram que redes mais profundas com filtros pequenos superavam suas contrapartes mais rasas e largas.
Principais Características de Design
O princípio central do design do VGGNet é o uso consistente de pequenos filtros convolucionais de 3x3 com passo 1. Empilhar duas dessas convoluções fornece o mesmo campo receptivo que um único filtro de 5x5, enquanto usa menos parâmetros: duas camadas de 3x3 usam 18·c² parâmetros em comparação com 25·c² para uma camada de 5x5, onde c é o número de canais. Essa redução de parâmetros permite mais camadas sem um aumento proporcional no custo computacional ou no overfitting.
A rede segue uma estrutura regular, com a imagem de entrada (tipicamente de tamanho fixo, como 224x224 pixels) passando por uma sequência de estágios de convolução. Cada estágio consiste em uma ou mais convoluções de 3x3 seguidas por uma camada de max-pooling de 2x2 com passo 2 para reduzir as dimensões espaciais pela metade. O número de canais aumenta com a profundidade em um padrão linear: começando com 64, dobrando para 128, 256 e 512, com os estágios finais usando 512 canais. Por exemplo, a configuração VGG-19 (denotada como E no artigo original) inclui 16 camadas convolucionais e 3 camadas totalmente conectadas (totalizando 19 camadas com pesos) e 144 milhões de parâmetros.
Variantes e Parâmetros
O artigo do VGG introduziu várias configurações, rotuladas de A a E, que diferem em profundidade. As duas mais comuns são VGG-16 (configuração D, com 13 camadas convolucionais e 3 camadas totalmente conectadas) e VGG-19 (configuração E, com 16 camadas convolucionais e 3 camadas totalmente conectadas). Esses modelos têm 138 milhões e 144 milhões de parâmetros, respectivamente. As camadas totalmente conectadas têm tamanhos de 4096 e 4096, seguidas por uma camada final com 1000 unidades correspondentes às 1000 classes da ImageNet.
A arquitetura foi projetada para classificação, mas devido à sua modularidade genérica, pôde ser adaptada para outras tarefas, como detecção de objetos, onde serviu como rede base para o framework Fast R-CNN, e para transferência de estilo neural, onde foi usada como extrator de características.
Impacto e Legado
O VGGNet foi um marco crítico na pesquisa de aprendizado profundo. Seu design simples e modular tornou-o uma linha de base fácil para comparação, e foi usado como referência no artigo da ResNet e em muitos outros estudos. Sua contribuição para mudar os tamanhos de kernel convolucional padrão de grandes (como os kernels de 11x11 da AlexNet) para 3x3 só foi revisada muito mais tarde com a arquitetura ConvNext em 2022.
A arquitetura tornou-se obsoleta após a introdução de Inception, ResNet e DenseNet, que ofereceram melhor desempenho ou eficiência. No entanto, sua simplicidade persistiu como ferramenta de ensino e como linha de base. A arquitetura RepVGG, introduzida em 2021, é uma versão atualizada que revisita o design simples estilo VGG com blocos reparametrizados para melhorar a velocidade de inferência.
O VGGNet também foi historicamente importante no contexto da visão computacional e do reconhecimento de imagens, sendo fundamental para demonstrar o valor da profundidade em redes convolucionais, influenciando uma geração de designs nos setores acadêmico e comercial. Seu desenvolvimento na Universidade de Oxford e sua inclusão em bibliotecas padrão de aprendizado profundo (por exemplo, por meio de modelos pré-treinados) tornaram-no amplamente acessível. O sucesso do VGGNet contribuiu para a ascensão do aprendizado profundo no processamento de imagens e seu alinhamento com termos como inteligência artificial e aprendizado de máquina.
A série VGGNet permanece uma das arquiteturas mais referenciadas na literatura técnica, oferecendo um modelo para uma variedade de redes subsequentes e servindo como uma referência comum de avaliação em diversos estudos.