1.1 研究の動機
VGGNetは、オックスフォード大学のVisual Geometry Group（VGG）によって2014年に開発された。当時、畳み込みニューラルネットワーク（CNN）はAlexNetの成功により注目を集めていたが、層を深くすることでより複雑な特徴を学習できる可能性が示唆されていた。VGGチームは、同一構造の小さなフィルタを積み重ねるという単純な戦略で、ネットワークの深さが分類精度に与える影響を体系的に調査することを目的とした。
1.2 ILSVRC 2014での成果
VGGNetはImageNet Large Scale Visual Recognition Challenge (ILSVRC) 2014に参加し、画像分類タスクでトップ5エラー率7.4%（VGG16）を達成、2位となった。また、ローカリゼーションタスクでは1位を獲得した。これらの成果は、深いネットワークの有効性を実証し、その後のCNN設計に大きな影響を与えた。
2.1 畳み込み層の設計
2.1.1 3x3フィルタの連続適用
VGGNetはすべての畳み込み層で3x3の小さなフィルタを一貫して使用する。複数の3x3フィルタを連続して適用することで、例えば2層で5x5、3層で7x7の受容野をカバーできる。この手法は、より大きなフィルタを1層で使うよりも非線形性を増し、パラメータ数を削減できる利点がある。
2.1.2 1x1フィルタの補助的な役割
一部のVGGNet構成（特にVGG16の初期提案版）では、チャネル数の調整と非線形性の追加を目的として、1x1フィルタが補助的に使用された。1x1フィルタは空間情報を変えずに次元を変換するため、ネットワークの表現力を高める役割を果たす。
2.2 プーリング層の構成
2.2.1 Maxプーリングの配置
プーリング層には最大値プーリング（Maxプーリング）が用いられる。ウィンドウサイズは2x2、ストライドは2で設定され、特徴マップの空間サイズを半分に縮小する。プーリングは畳み込み層のブロック間に配置され、特徴の位置敏感性を低減するとともに計算負荷を軽減する。
2.3 全結合層と出力層
ネットワークの後半には、4096ユニットの全結合層が2層、その後に1000ユニットの出力層（ソフトマックス）が接続される。全結合層は畳み込み層で抽出された高次特徴を統合し、クラス分類のための最終的な判断を行う。
2.4 VGG16とVGG19の違い
2.4.1 層数の増加による影響
VGG16は16層（重み層）で構成され、VGG19は19層である。両者の違いは、畳み込み層の数が増えた点にあり、VGG19はVGG16よりもさらに深い構造を持つ。層数の増加により、VGG19は僅かに高い分類精度を示すが、計算コストとパラメータ数も増大する。
3.1 学習データと前処理
3.1.1 画像サイズの正規化
学習にはImageNetデータセットを使用。入力画像は224x224ピクセルにリサイズされ、平均ピクセル値を減算する正規化が行われる。また、学習時のデータ拡張としてランダムクロップと水平反転が適用され、過学習を抑制する。
3.2 損失関数と最適化手法
3.2.1 確率的勾配降下法（SGD）
損失関数にはクロスエントロピー損失を使用。最適化にはモメンタム（0.9）を伴う確率的勾配降下法（SGD）が採用され、学習率は初期0.01からバリデーション誤差の停滞に応じて1/10に減衰させるスケジュールが用いられた。
3.3 正則化手法
3.3.1 ドロップアウトの適用
過学習を防ぐため、最初の2つの全結合層にドロップアウト（ドロップ率0.5）が適用される。これにより、ニューロンの共適応を防ぎ、汎化性能を向上させる。
4.1 ImageNetでの分類精度
VGG16はILSVRC 2014でトップ1エラー率24.9%、トップ5エラー率7.4%を達成。VGG19はさらに低いトップ5エラー率（約7.3%）を示した。これらの数値は当時高い水準であり、深層CNNの優位性を明確に示した。
4.2 他のモデルとの比較
4.2.1 AlexNetとの違い
AlexNet（2012年）は11x11、5x5といった大きなフィルタと比較的浅い8層構造であった。VGGNetは3x3フィルタの連続使用で深層化を実現し、AlexNet（トップ5エラー率15.3%）を大きく上回る精度を達成した。また、パラメータ数はVGGNetの方が多い（約138M vs 60M）が、精度向上に寄与した。
4.2.2 GoogLeNetとの比較
GoogLeNet（Inception v1）は、同じILSVRC 2014でトップ5エラー率6.7%を記録し、VGGを上回った。GoogLeNetはインセプション構造によりパラメータ数を大幅に削減（約7M）しているのに対し、VGGは単純な積層設計である点が異なる。VGGは精度面で劣るものの、構造のシンプルさと再現性の高さが評価された。
5.1 転移学習での利用
5.1.1 物体検出への応用（R-CNNなど）
VGGNetは、ImageNetで事前学習された重みが転移学習のベースラインとして広く利用された。特に物体検出モデルR-CNN、Fast R-CNN、Faster R-CNNでは、バックボーンとしてVGG16が標準的に採用され、高い検出性能を実現した。
5.2 軽量化と改良手法
5.2.1 VGGの圧縮方法
VGGNetの巨大なパラメータ数（特に全結合層）を削減するため、特異値分解（SVD）による圧縮や、蒸留、枝刈りなどの手法が研究された。また、軽量な代替構造（MobileNetなど）が登場するまでは、計算資源が限られる環境での実装にはチャネル数の削減が行われることもあった。
6.1 計算コストの高さ
VGGNetは約138億の浮動小数点演算（FLOPs）を要し、特に全結合層の計算負荷が大きい。そのため、推論に時間がかかり、リアルタイム処理や組み込み機器への適用は困難であった。
6.2 メモリ消費とモデルサイズ
モデル全体のパラメータ数は約1億3800万であり、そのうち全結合層が約1億2300万を占める。保存に必要な容量は数百MBに達し、メモリ制約の厳しい環境では扱いにくいという欠点があった。
7.1 コンピュータビジョン分野への貢献
VGGNetは、そのシンプルな設計と再現性の高さから、深層学習の教育や研究における標準的なベースラインモデルとして広く普及した。また、転移学習の事例として多くの論文で引用され、コンピュータビジョン分野の進展に大きく貢献した。
7.2 後続のモデルへの影響
VGGNetの深層化の成功は、ResNet（残差接続）やInceptionのさらなる発展など、後のアーキテクチャ設計に直接的な影響を与えた。特に、小さなフィルタを積み重ねる設計思想は、効率的なモデル構築の基礎として受け継がれている。