VGGNet refere-se a uma família de arquiteturas de redes neurais convolucionais desenvolvidas pelo Visual Geometry Group (VGG) na Universidade de Oxford. Os modelos foram introduzidos em um artigo de 2014 e tornaram-se influentes no campo do aprendizado profundo por seu design simples e modular e forte desempenho em tarefas de classificação de imagens. A família VGG é caracterizada pelo uso consistente e uniforme de pequenos filtros convolucionais de 3x3, um afastamento dos filtros maiores usados em redes anteriores, como a AlexNet.
Os modelos VGG foram amplamente adotados em várias aplicações de visão computacional. Um conjunto de redes VGG alcançou os melhores resultados no ImageNet Large Scale Visual Recognition Challenge (ILSVRC) em 2014. A arquitetura serviu como linha de base para comparação no artigo do ResNet, como rede base no Fast Region-based CNN para detecção de objetos e como componente em algoritmos de transferência de estilo neural. Embora arquiteturas posteriores, como Inception, ResNet e DenseNet, tenham superado o desempenho do VGGNet, a série permanece como um marco historicamente importante na evolução das redes neurais convolucionais.
Princípio de Design
A ideia central por trás do VGGNet foi construir uma rede profunda empilhando módulos simples e genéricos, em vez de projetar cada camada do zero. Isso contrastava com abordagens anteriores, como a AlexNet (2012), que usava uma estrutura mais heterogênea com filtros maiores. A arquitetura VGG consiste em blocos repetidos de camadas convolucionais de 3x3 seguidas por camadas de max-pooling, culminando em um conjunto de camadas totalmente conectadas.
O uso consistente de pequenos filtros de 3x3 foi uma inovação-chave. Empilhar duas convoluções de 3x3 fornece o mesmo campo receptivo que uma única convolução de 5x5, mas com menos parâmetros (18c^2 versus 25c^2, onde c é o número de canais). Isso permitiu redes mais profundas com menos parâmetros, enquanto a profundidade aumentada permitiu que a rede aprendesse características mais complexas. A publicação original demonstrou que redes profundas e estreitas superam significativamente suas contrapartes rasas e largas.
Arquitetura
A arquitetura VGG é composta por módulos genéricos empilhados sequencialmente. As camadas convolucionais usam filtros de 3x3 com passo de 1 e ativações ReLU. Elas são seguidas por camadas de max-pooling com filtro de 2x2 e passo 2, que reduzem os mapas de características pela metade em largura e altura, preservando o número de canais.
Após os estágios convolucionais e de pooling, a rede termina com três camadas totalmente conectadas com tamanhos 4096-4096-1000. A camada final tem 1000 unidades correspondentes às 1000 classes do conjunto de dados ImageNet. Uma camada softmax produz a distribuição de probabilidade final sobre essas classes.
Configurações e Profundidade
A família VGG inclui várias configurações denotadas por uma letra e o número de camadas de peso. As variantes mais comumente usadas são VGG-16 e VGG-19. VGG-16 tem 13 camadas convolucionais e 3 camadas totalmente conectadas, totalizando cerca de 138 milhões de parâmetros. VGG-19 tem 16 camadas convolucionais e 3 camadas totalmente conectadas, com aproximadamente 144 milhões de parâmetros.
Na arquitetura VGG típica, os estágios convolucionais são organizados em blocos. Cada bloco consiste em uma ou mais camadas convolucionais de 3x3 seguidas por uma camada de max-pooling de 2x2 com passo 2, que reduz os mapas de características. O número de canais aumenta progressivamente através da rede, de 64 no primeiro bloco para 512 nos blocos mais profundos. Os estágios finais são três camadas totalmente conectadas com tamanhos 4096, 4096 e 1000, seguidas por uma camada softmax para classificação sobre 1000 classes do ImageNet.
Princípios de Design
O princípio arquitetural-chave dos modelos VGG é o uso consistente de pequenas convoluções de 3x3 com passo 1. Essa escolha de design foi significativa porque empilhar duas convoluções de 3x3 alcança o mesmo campo receptivo que uma única convolução de 5x5, enquanto usa menos parâmetros. O artigo original demonstrou que redes profundas e estreitas superam contrapartes rasas e largas, estabelecendo a importância da profundidade no aprendizado de máquina.
Ao contrário de redes anteriores, como a AlexNet (2012), que usava filtros maiores de até 11x11 e era projetada do zero, o VGGNet era composto por módulos genéricos e repetíveis. Essa abordagem modular simplificou o processo de design e tornou a arquitetura mais fácil de implementar e adaptar. O uso consistente de filtros pequenos permitiu redes mais profundas com o mesmo campo receptivo, reduzindo o número de parâmetros.
Arquitetura
A família VGG inclui várias configurações de profundidade variada, denotadas pela letra 'VGG' seguida pelo número de camadas de peso. As versões mais comuns são VGG-16 (13 camadas convolucionais mais 3 camadas totalmente conectadas, totalizando cerca de 138 milhões de parâmetros) e VGG-19 (16 camadas convolucionais mais 3 camadas totalmente conectadas, totalizando cerca de 144 milhões de parâmetros). Essas correspondem às configurações D e E na publicação original.
Todos os modelos VGG seguem uma estrutura semelhante. Eles começam com módulos convolucionais, cada um contendo filtros de 3x3 com passo 1 e ativações ReLU. Após certos grupos de camadas convolucionais, uma camada de max-pooling com janela de 2x2 e passo 2 reduz as dimensões espaciais pela metade, preservando o número de canais. O número de canais aumenta progressivamente através da rede, de 64 na primeira camada para 512 nas camadas convolucionais mais profundas.
A rede termina com três camadas totalmente conectadas com tamanhos 4096, 4096 e 1000. A camada final gera pontuações para as 1000 classes do conjunto de dados ImageNet. Uma camada softmax então converte essas pontuações em uma distribuição de probabilidade sobre as classes.
Treinamento e Desempenho
Os modelos VGG foram treinados no conjunto de dados ImageNet, que contém mais de 14 milhões de imagens em 1000 categorias. Treinar redes tão profundas exigiu recursos computacionais significativos e ajuste cuidadoso. Os modelos foram treinados por múltiplas épocas com técnicas de aumento de dados, como recorte aleatório e inversão horizontal.
Na competição ILSVRC de 2014, um conjunto de modelos VGG alcançou resultados de ponta, demonstrando a eficácia da arquitetura. O modelo VGG-16 em particular tornou-se uma linha de base padrão para tarefas de classificação de imagens e foi amplamente usado em aprendizado por transferência, onde uma rede pré-treinada no ImageNet é adaptada para outras tarefas com conjuntos de dados menores.
Impacto e Legado
O VGGNet foi fundamental para mudar o tamanho padrão do filtro convolucional em CNNs de grandes kernels (até 11x11 na AlexNet) para os muito menores filtros de 3x3. Essa escolha de design influenciou inúmeras arquiteturas subsequentes. A rede foi extensivamente usada como espinha dorsal para outras tarefas, incluindo detecção de objetos no Fast Region-based CNN (Fast R-CNN) e como rede base em algoritmos de transferência de estilo neural.
O design direto da arquitetura tornou-a uma escolha popular para pesquisadores e profissionais. Seu sucesso demonstrou que a profundidade, combinada com filtros pequenos e uniformes, poderia produzir forte desempenho. No entanto, os modelos são computacionalmente caros e têm uma grande pegada de memória devido às camadas totalmente conectadas.
A série VGG foi eventualmente superada por arquiteturas mais eficientes, como Inception, ResNet e DenseNet, que alcançaram melhor desempenho com menos parâmetros. Em 2021, a arquitetura RepVGG reimaginou o design simples estilo VGG com técnicas modernas, mostrando que uma rede simples, semelhante à VGG, poderia novamente igualar o desempenho de ponta. Os VGGNets originais permanecem comuns como extratores de características em várias aplicações de aprendizado por transferência.
Contexto Histórico
O VGGNet foi desenvolvido em uma época em que as redes neurais estavam se tornando mais profundas e poderosas. A AlexNet, vencedora do ILSVRC de 2012, usava grandes filtros convolucionais de até 11x11 e tinha uma estrutura relativamente rasa de 8 camadas. A proposta do VGG de empilhar muitas convoluções de 3x3 demonstrou que a profundidade poderia ser aumentada substancialmente enquanto se mantinha um número gerenciável de parâmetros. Esse princípio de compor módulos simples para construir redes profundas influenciou muitas arquiteturas subsequentes.
Os modelos VGG foram usados como comparação de linha de base no artigo do ResNet e serviram como espinha dorsal para vários sistemas de visão computacional, incluindo o Fast Region-based CNN para detecção de objetos e implementações de transferência de estilo neural. Os modelos também se tornaram uma escolha padrão para extração de características em muitas tarefas de visão.
Impacto e Legado
A importância do VGGNet reside em sua demonstração de que uma rede de inteligência artificial profunda e cuidadosamente estruturada poderia alcançar excelentes resultados com um design altamente regular. Sua modularidade facilitou a implementação e adaptação, contribuindo para sua popularidade tanto na pesquisa quanto na indústria. A arquitetura permanece um exemplo educacional comum em cursos de aprendizado profundo e uma linha de base para muitas tarefas de visão computacional.
Embora arquiteturas mais novas tenham superado o desempenho do VGG em benchmarks padrão, a influência do modelo persiste. Seus princípios - filtros pequenos, pilhas profundas e design modular simples - são visíveis em muitas redes subsequentes. A disponibilidade de modelos VGG pré-treinados também o torna útil para extração de características e aprendizado por transferência em várias aplicações, incluindo detecção de objetos e transferência de estilo.