计算机视觉 - 常见的图片分类模型【架构演变】

LeNet

1. 原始论文中的版本
   数据集为MNIST，输入：$32*32*1$

   Name	kernel	stride	pad	Input	Output	Parameter Number
   Conv1	6 5×5	1	0	32×32×1	28×28×6	(5×5×1+1)×6
   subsampling+sigmoid	2×2	2	0	28×28×6	14×14×6	(1+1)×6
   Conv2	16 5×5	1	0	14×14×6	10×10×16	(5×5×3+1)×6+(5×5×4+1)×6+(5×5×4+1)×3+ (5×5×6+1)×1
   subsampling+sigmoid	2×2	2	0	10×10×16	5×5×16	(1+1)×16
   Conv3	120 5×5	1	0	5×5×16	1×1×120	(5×5×16+1)×120
   FC4+tanh	-	-	-	1x1x120	84	1x1x120x84
   RBF	-	-	-	84	10	0

2. 下采样的方式为

   $$sigmoid(w*(\sum_{i=0}^{1} \sum_{j=0}^{1} x_{ij})+b)$$ 这里，$w$ 和 $b$ 是可学习参数。

3. conv2使用了包括3层、4层、6层三种通道数不同的filters，然后将它们的输出拼接在一起作为这一层的输出。
   

   这里使用多组不同形式的卷积的原因：
   • 不完全机制限制了连接的数量，减少计算量
   • 破坏了网络的对称性

4. 最后一层是RBF，虽是全连接，但参数W是给定值。输入的$84$维向量相当于$12*7$的比特图。输出的每一个值，代表了输入与输出对应的参数权重的均方误差MSE。

5. 要求损失函数可以使正确的label对应的输出值越小越好。

6. Caffe中的实现，输入的 batch size $64$，归一化scale $0.00390625$

   Name	kernel	stride	pad	Input	Output	Parameter Number
   Conv1+ReLU	20 5×5	1	0	28×28×1	24×24×6	(5×5×1+1)×20
   Max Pooling	2×2	2	0	24×24×20	12×12×20	0
   Conv2+ReLU	50 5×5	1	0	12×12×20	8x8x50	(5×5×20+1)×50
   Max Pooling	2×2	2	0	8x8x50	4x4x50	0
   FC3+ReLU	-	-	-	4x4x50	500	4x4x50×500
   FC4+Softmax	-	-	-	500	10	500x10

   损失函数为 SoftmaxWithLoss

   细节：
   • 权重的初始化方式为xavier，偏移值的初始化方式为constant，默认设为0
     
   • 权重的学习率为 base_learning_rate，偏移值的学习率为 base_learning_rate 的两倍

AlexNet - ImageNet Classification with Deep Convolutional Neural Networks

1. 结构

   Name	kernel	stride	pad	Input	Output	Parameter Number
   Conv1+ReLU	96 11×11	4	0	227×227×3	55×55×96	(11×11×3+1)×96
   Max Pooling	3x3	2	0	55x55x96	27x27x96	0
   Conv2+ReLU	256 5x5	1	2	27x27x96	27x27x256	(5x5x96+1)x256
   Max Pooling	3x3	2	0	27x27x256	13x13x256	0
   Conv3+ReLU	384 3x3	1	1	13x13x256	13x13x384	(3x3x256+1)x384
   Conv4+ReLU	384 3x3	1	1	13x13x384	13x13x384	(3x3x384+1)x384
   Conv5+ReLU	256 3x3	1	1	13x13x384	13x13x256	(3x3x384+1)x256
   Max Pooling	3x3	2	0	13x13x256	6x6x256	0
   FC6+ReLU+Dropout	-	-	-	6x6x256	4096	6x6x256x4096
   FC7+ReLU+Dropout	-	-	-	4096	4096	4096x4096
   FC8+Softmax	-	-	-	4096	1000	4096x1000

2. 浮点乘法运算量：

   $$55*55*96*11*11*3 + 27*27*256*5*5*96 + 13*13*384*3*3*256 + 13*13*384*3*3*384+13*13*256*3*3*384 + 6*6*256*4096 + 4096*4096 + 4096*1000$$
   参数60 Million，MACs 1.1 Billion
   （实际计算量比这个值小，因为Conv层中使用了group）

3. 第一次引入ReLU，并使用了 overlapping Max Pooling
   在前两个全连接层使用了系数为0.5的 Dropout，因此测试时需要将结果乘以0.5

4. 在论文中，还引入了局部响应归一化层LRN。但后来证明没有效果提升。同时，overlapping Max Pooling也没有被广泛应用。

5. 训练细节：
   batch size 128，momentum 0.9，weight decay 5e-4
   学习率初始为0，每当error停止下降，就除以10

6. 数据增强
   • 对于训练集，随机剪裁。对于测试集，将原始图片和对应的水平镜像从中间和四边剪切，然后将这十个预测结果取平均
   • PCA jittering。基于整个训练集特征值 λ 和特征向量 P，对于每个epoch的每一张图像，从均值0、方差0.1的高斯分布随机抽取 α。对原始图片三维通道做 λ * α * P 映射

ZFNet - Visualizing and Understanding Convolutional Networks

1. 引入 DeconvNet 来可视化某一 feature map
   将该层其余 feature maps 设置为0，然后经过一系列的 (i) unpool (ii) rectify (iii) filters 映射回像素级别。
   其中，(i) unpool：max-pooling同时记录位置信息。(ii) ReLU。(iii) 原卷积对应矩阵的转置。

2. 论文中使用可视化方法：
   对于某一层的某个 feature map，我们在验证集中寻找使该 feature map 的 response 最大的九张图片，画出这九张图片中的该 feature map 反卷积映射的结果，并和原图相对应的 patch 对比

3. 特征可视化：层数越高，提取的特征越复杂，不变性越明显，越 discrimination。
   训练过程中特征收敛过程：层数越低，收敛越早
   特征不变性：(1) 图像缩放、平移对模型第一层影响较大，对后面基本没有影响；(2) 图像旋转后，特征不具有不变性。

4. 通过第一层和第二层可视化对AlexNet进行改造得到ZFNet：减小感受野，降低步长。

5. 模型对局部特征敏感

6. 模型具有特征泛化性，因此可以用于迁移学习。

Network in Network

1. 引入1x1卷积
   Original：Conv 3x3 -> ReLU -> Pooling
   MLPConv: Conv 3x3 -> ReLU -> Conv 1x1 -> ReLU -> ... -> Pooling

2. 使用 average pooling 取代 FC

3. 结构：MLPConv 堆叠 + global average pooling

VGG - Very Deep Convolutional Networks for Large-Scale Image Recognition

1. 使用了统一的卷积结构，证明了深度对模型效果的影响。LRN层没有提升效果。

2. 堆叠多个3x3的感受野，可以获得类似于更大感受野的效果。同时，多层3x3卷积堆叠对应的参数更少（减少参数相当于正则化效果）

3. 运用了 Network in Network 中提出的1x1卷积。

4. 训练方式： 256 batch size，0.9 momentum，5e-4 weight decay，0.5 dropout ratio。learning rate：初始1e-2，每当停止提升后下降为之前的十分之一

5. 数据增强
   • 颜色增强 color jittering，PCA jittering
     
   • 尺度变换：训练集随机缩放到[256, 512]，然后随机剪切到224x224
     尺度变换对应的测试方法：(1) 随机裁剪，取平均，类似AlexNet (2) 将FC转为Conv，原始图片直接输入模型，这时输出不再是1x1x1000，而是NxNx1000，然后取平均。

GoogLeNet - Going deeper with convolutions

1. 论文发表之前相关的工作：当时研究者关注增加层数和filter数目（可能会导致小样本过拟合，并需要大量的计算资源），并通过Dropout防止过拟合。尽管有人认为 Max Pooling 造成了空间信息的损失，但这种结构在 localization、detection、human pose estimation 中均取得很好的成绩。
   Network-In-Network 中引入1x1卷积，增加了神经网络的表示能力【representational power】。GoogLeNet中的 Inception 结构也运用了1x1卷积来进行降维处理。

2. 为解决过拟合和计算代价高的问题，使用稀疏网络来代替全连接网络。在实际中，即使用卷积层。

3. Inception结构：对于输入的 feature maps，分别通过1x1卷积、3x3卷积、5x5卷积和 Max-Pooling 层，并将输出的 feature maps 连接起来作为 Inception 的输出【同时获得不同感受野的信息】。在3x3卷积、5x5卷积前面和池化层后面接1x1卷积，起降维的作用。

Inception v2 v3 - Rethinking the Inception Architecture for Computer Vision

1. CNN的通用设计思想
   • 通常，随着网络层数增加，空间特征数逐渐降低，通道数逐渐增加。
     
   • 不要过度压缩损失精度信息，避免表征瓶颈。
     
   • 增加非线性特征可以解耦合特征。
     
   • 卷积的实现形式为空间聚合【spatial aggregation】
     
   • 1x1卷积降维不会产生严重的影响。猜测：相邻通道之间具有强相关性，卷积前降维基本不会损失信息。

2. 5x5卷积的感受野与两个3x3卷积堆叠所对应的感受野相同。使用后者可以大大减少网络参数。7x7同理。此外，两个3x3卷积后各连接一个非线性层的效果优于仅在最后连接一个非线性层

3. NxN的卷积可以用1xN与Nx1的卷积堆叠实现。

4. 使用 Label Smoothing 增加网络的正则能力。使用 Batch Normalization 和 RMSProp

ResNet - Deep Residual Learning for Image Recognition

1. 网络过深会导致退化问题，通过短路连接解决该问题。

2. 通常，一个 residual unit 的残差部分使用二至三层的函数映射（或称卷积层），shortcut 部分与残差部分进行 eltwise add 后再连接非线性层。

补充：论文

1. Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

   • 相比v3，Inception v4的主要变化是网络的加深，卷积和的个数也大大增加
   • Inception-ResNet即将ResNet的残差结构替换成了简单的Inception结构
   • 文中认为ResNet对提高精度的帮助较小【ResNet论文中提到ResNet解决了退化问题】，加快过深网络的训练速度是其主要优势。对于特别深的残差网络，可以通过在残层结构后接一个scaling【如残层结构输出的一个元素乘以0.2】来提高模型稳定性。

2. Wide Residual Networks

   • 很多论文在ResNet的网络结构基础上进行了细微的改动。主要的观点是ResNet存在diminishing feature reuse的问题。网络过深，很多残差块对最终结果只做出了很少的贡献。甚至，有些残差块没有学到有用的信息，反而在之前学到的feature representation中加入了轻微噪声
   • ResNet提高一点精度可能需要将深度增加一倍，而且会产生diminishing feature reuse问题，因此提出增加残差块的宽度，减少网络深度的WRNs
   • 文中提到论文 Deep Networks with Stochastic Depth 中通过使残差块随机失活来降低每次训练使网络的深度。
   • 作者做了大量的实验，表明两个3x3卷积堆叠的残差块的效果优于其他残差块结构。
   • 同时增加深度和宽度可以提高精度，但需要正则。增加宽度比增加深度更容易训练。
   • 在瘦长和矮胖的网络中，在残差块中的两个卷积间增加 Dropout 层均有效果。在不做大量的数据增强的前提下，Dropout 的效果比 Batch Normalization 更好

3. Aggregated Residual Transformations for Deep Neural Networks

   • 指出 Inception 过于复杂，不易迁移到其他问题上；ResNet 存在 diminishing feature reuse 的问题。
   • 提出了基数的概念，残差块采用 split-transform-merge 的策略，基数类似 group，表示 split 的数目。这种架构可以接近 large and dense layers 的表示能力，但只需要很少的计算资源。
   • ResNeXt 有一种基本形式和两种变体，一种类似 Inception-ResNet，一种使用 group 实现。

4. Densely Connected Convolutional Networks

   • DenseNet 极大地增加了特征重用的能力，其有以下优点。1. 参数少，通过向后连接的方式保留学到的信息；2. 改进了前向、反向传播，更易训练；3. 增加了监督学习的能力；4. 在小数据上不易过拟合，即增加了正则化的能力。
   • Dense Block 中，对于任意一层的 feature maps，一方面会通过 BN-ReLU-Conv(1x1)-BN-ReLU-Conv(3x3)得到下一层的 feature maps，另一方面会与其后的每一层 feature maps 连接在一起。并提出了 growth rate 的概念，增长率 k 是3x3卷积层输出的 feature maps 数， 而1x1卷积层输出的 feature maps 数为 4k
   • 在 ImageNet 比赛中运用的模型，每两个 Dense Block 中间以 Batch Normalization - ReLU - Conv(1x1) - Aver Pooling(2x2) 相连。

5. Squeeze-and-Excitation Networks

   

6. SqueezeNet, ShuffleNet, MobileNet, Xception

   1. SqueezeNet 的基本结构是 File Module，输入的 feature maps 先经过1x1卷积降维，然后分别通过1x1卷积和3x3卷积，并将两个输出连接起来，作为这个模块整体的输出。SqueezeNet 的结构就是多个 File Module 堆叠而成，中间夹杂着 max pooling。最后用 deep compression 压缩
   2. MobileNet 的基本结构是 3x3 depth-wise Conv 加 1x1 Conv。1x1卷积使得输出的每一个 feature map 要包含输入层所有 feature maps 的信息。这种结构减少了网络参数的同时还降低了计算量。整个 MobileNet 就是这种基本结构堆叠而成。其中没有池化层，而是将部分的 depth-wise Conv 的 stride 设置为2来减小 feature map 的大小。
   3. ShuffleNet 认为 depth-wise 会带来信息流通不畅的问题，利用 group convolution 和 channel shuffle 这两个操作来设计卷积神经网络模型, 以减少模型使用的参数数量，同时使用了 ResNet 中的短路连接。ShuffleNet 通过多个 Shuffle Residual Blocks 堆叠而成。
      
   4. Xception 相对于借鉴了 depth-wise 的思想，简化了 Inception-v3。Xception的结构是，输入的 feature maps 先经过一个1x1卷积，然后将输出的每一个 feature map 后面连接一个3x3的卷积（再逐通道卷积），然后将这些3x3卷积的输出连接起来。

补充：权重初始化方式

1. Xavier - Understanding the difficulty of training deep feedforward neural networks

2. MSRA - Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification

补充：激活函数

补充：Dropout层

补充：Batch Normalization层