VGGNet的主要贡献：
1、增加了网络结构的深度
2、使用了更小的filter（3*3）
1 introduction
这部分主要说明了，由于在所有的卷积网络上使用了3*3的filter，所以使整体网络的深度加深。最后在ILSVRC取得的成绩也是十分明显的。
2 Convent Configuration
2.1 ARCHITECTURE
在前边的卷积层上，使用3*3的filter，有时也使用1*1的filter（相当于在输入channels上进行线性变换）。卷积操作的步长是1。总共有5个max-pooling层，大小是2*2，步长设定为2，跟在一些卷积层之后。在所有卷积层之后，跟着3个全连接层，前两个全连接层有4096个channels，最后一个全连接层有1000个channels对应1000种分类。最后一层是soft-max层。
所有的隐藏层都有整流函数(ReLU)。
2.2 CONFIGURATIONS
配置了A-E五种结构的网络，深度分别对应11,11,13,16,19。卷积层的宽度从64开始，每经过一个max-pooling层，大小乘2，直到512。
2.3 DISCUSSION
1、VGGnet使用了3个非线性整流层，相比于只使用单个，决策函数更具有判别力。
2、使用3层叠加的3*3的filter的卷积层，要比使用一个7*7的filter的卷积层的参数要减少81%。
另外，使用1*1的filter的卷积层可以增加决策函数的非线性特征。
3 CLASSIFICATION FRAMEWORK
3.1 TRAINING
用momentum方法的mini-batch方法，batch的大小为256，momentum设为0.9。weight decay采用L2正则化方法，惩罚因子为0.0005。对于全连接层的前两层采用dropout的正则化方法，dropout的大小设为0.5。学习率设为0.01。
对A这样深度不算深的网络来说，使用随机初始化去训练参数，然后用A训练得到的参数去初始化其他更深的网络。
用来训练的图片的规格大小：第一步设定要训练的图片的规格S = 256，当训练规格S=384的网路时，先用S=256的结果初始化，然后使用0.001的训练速率。第二步，在一定的范围内随机截取要训练的图片，然后用S=384训练得到的结果去初始化这个网络。
3.2 TESTING
在测试过程中，使用了两种方法，第一种是dense evaluation，使用FCN。第二种是multi-cripevaluation，通过截取获得一个大的数据集，能是提高结果的精确度。
3.3 IMPLEMENTATION DETAILS
实现基于caffe，做了一定的修改，允许在单操作系统的多核GPU上进行训练。用多GPU进行并行计算每个batch的梯度，当所有的GPU都计算完成之后，求所有batch得到梯度的平均值。
4 CLASSIFICATION EXPERIMENTS
4.1 SINGLE SCALE EVALUATION
1.LRN不能降低错误率，后续网络中不再使用
2.随着网络层数的加深，分类错误率逐渐降低
3.scale jittering可以使表现结果更好
4.2 MULTI-SCALE EVALUATION
在训练时用scale jittering可以使结果表现的更好，比使用单一规模
4.3 MULTI-CROP EVALUATION
单一使用multi-crop evaluation 要比单一使用dense evaluation效果好，两个方法同时使用时，要比单一使用任意都好。
4.4 CONVNET FUSION
将几个模型的soft-max分类策略的输出求平均后再用于识别，这样可以提高最后的表现。
5 CONCLUSION
通过在大规模的图片分类上评估深度卷积神经网络，表明深度有益于分类的精确度，并且通过使用加深了的传统卷积神经网络，能达到在ImageNet数据集上的最好表现。
附录A LOCALISATION
A.1 LOCALISATION CONVNET
与分类的区别是，在最后一个全连接层，使用bounding box代替 class scores。 如果bounding box的在所有类交叉共享的，那么最后一层就是4-D，如果是特定类，那最后一层就是4000-D。
Training. 和分类主要的不同是，用Euclidean loss替换logistic regression objective，在惩罚bounding box预测偏差的时候。训练模型时，不使用scale jittering
Testing. 测试使用两种不同的测试方法，
1、bounding box只在图像裁剪中心得到，用于比较在验证集下不同的网络限制，bounding box的预测效果。
2、在整个图像上，密集的应用定位网络。与分类任务不同的是，用一组bounding box的预测代替class score map。为了提出最后的结果，使用贪婪融合过程，先融合相近的预测，然后用class scores进行估计。
A.2 LOCALISATION EXPERIMENTS
Settings comparison. 1、使用PCR的效果要比使用SCR的效果好。2、微调所有层比仅微调全连接层的效果好
Fully-fledged evaluation 使用最优的设置（PCR, fine-tuning of all ayers），图像的scale对结果有影响。
Comparison with the state of the art.
附录B GENERALISATION OF VERY DEEP FEATURES