VGG
Parent: ai_keywords
VGG（Visual Geometry Group）
核心定义
VGG 是牛津大学视觉几何组（Visual Geometry Group）于 2014 年提出的深度卷积神经网络架构，其核心创新在于系统性地验证了网络深度对图像识别性能的提升作用。通过堆叠小尺寸卷积核（3×3），VGG 在 ImageNet 挑战赛中取得了当时最先进的分类性能，并成为计算机视觉领域 迁移学习与特征提取的经典基线模型（代表版本：VGG-16、VGG-19）。
关键技术点
-
小卷积核堆叠
全部采用 3×3 卷积核 + 1×1 步长，代替早期的大卷积核（如 7×7）。堆叠两个 3×3 卷积层可获得与 5×5 卷积核相同的感受野，同时减少参数、引入更多非线性 （ReLU），提升模型判别力。 -
统一且深度的模块化结构
网络由若干 卷积块（连续卷积层 + 最大池化） 顺序堆叠而成，卷积层深度从 8 到 19 层不等（VGG-16 共 13 个卷积层 + 3 个全连接层）。该设计强调了 “越深越强” 的规律，并因结构规整、可重复性高而便于硬件加速。 -
全连接层与 Dropout 正则化
末尾三层全连接层（4096 → 4096 → 1000）负责分类，并在前两层引入 Dropout（p=0.5） 抑制过拟合，展现了深度学习早期“全连接瓶颈”的典型设计。 -
预训练与迁移学习范式
VGG 在大型数据集（ImageNet）上的预训练权重被广泛用于医学图像分析，作为通用的特征提取器（冻结卷积层，微调全连接层），极大缓解了医学领域标注数据稀缺的问题。
医学/神经科学应用场景
在首都医科大学神经病学系的脑部 MRI 研究中，VGG 被用于阿尔茨海默病（AD）早期结构像分类。
具体步骤：
- 将预处理后的 T1 加权 MRI 三维脑体积切分为 2D 冠状面切片，输入 VGG-16 预训练模型（冻结前 10 个卷积层）。
- 提取第 5 个池化层后的深层特征，结合临床认知评分（如 MMSE），训练线性 SVM 分类器（或微调顶层全连接层）。
- 在 AD 与轻度认知障碍（MCI）的鉴别中，VGG 特征能捕捉海马体萎缩、内侧颞叶皮层变薄等微观结构差异，准确率较传统手工特征（体积、厚度）提升约 8%，且具有在全院多中心数据上稳定泛化的能力。
备注：VGG 的高参数量（约 1.38 亿）在医学小样本场景易过拟合，通常需配合数据增强（如仿射变换、弹性形变）或知识蒸馏变体（如 VGG-Small）使用。
