计算机视觉中图像分类任务脉络梳理

Posted 2021-03-01 inchbyinch

本文大致梳理了计算机视觉中图像分类的脉络，包括常用数据集、经典模型和性能对比。

1 图像分类常用数据集

以下是几种常用的分类数据集，难度依次递增。列举了各算法在各数据集上的性能排名。

• MNIST，60k训练图像、10k测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。
• CIFAR-10，50k训练图像、10k测试图像、10个类别、图像大小3×32×32。
• CIFAR-100，50k训练图像、10k测试图像、100个类别、图像大小3×32×32。
• ImageNet，1.2M训练图像、50k验证图像、1k个类别。每年会举行基于ImageNet数据集的ILSVRC竞赛，这相当于计算机视觉界奥林匹克。鉴于图像分类任务上，DL已经超越人类水平，ImageNet挑战赛在2017年是最后一届。

2 图像分类经典结构

基本架构 我们用conv代表卷积层、bn代表批量归一层、pool代表池化层。最常见的网络结构顺序是conv -> bn -> relu -> pool，其中卷积层用于提取特征、池化层用于减少空间大小。随着网络深度的进行，图像的空间大小将越来越小，而通道数会越来越大。当然也有不少其他架构。

两个特点：纵观这些卷积神经网络提高效果的方向，主要是更深、更宽、更多的分支结构和短连接等；AlexNet提出了卷积网络5+3的结构，后续不少经典网络都是在此基础上改进。

经典网络：

• LeNet-5
• AlexNet
• ZF-Net
• GoogLeNet
• VGG
• ResNet
• ResNeXt
• DenseNet
• SENet

2.1 LeNet-5

早期卷积神经网络中最有代表性的架构，是Yann LeCun在1998年设计的，用于手写数字识别的卷积神经网络，当年美国很多银行用它来识别支票上面的手写数字。

2.2 AlexNet

2012年ILSVRC冠军，6千万参数。由于准确率远超传统方法的第二名（top5错误率为15.3%，第二名为26.2%），引起了很大的轰动。自此之后，CNN成为在图像识别分类的核心算法模型，带来了深度学习的大爆发。这里有整体架构的可视化和具体的参数。

特点：

• 采用更深的网络结构，为了减弱梯度消失，使用Relu替换之前的sigmoid的作为激活函数；
• 使用Dropout和数据扩充Data Augmentation抑制过拟合；
• 使用Overlapping Pooling(覆盖的池化操作)
• 多GPU训练和LRN（但是没啥用）

2.3 ZF-Net

2013年ILSVRC冠军，结构和AlexNet区别不大，分类效果也差不多。这篇文章的贡献在于，提出了一种CNN特征可视化方法：反池化、反激活、反卷积，从而成为CNN特征可视化的开山之作。

2.4 VGG

2014年ILSVRC亚军网络，1.38亿参数。由于网络结构十分简单，很适合迁移学习，因此至今VGG-16仍在广泛使用。

特点：

• 仍然是5+3结构，只不过用卷积模块代替；
• 小卷积核，小池化核，更深的层，更宽的通道，结构简单规整；
• VGG16内存主要消耗在前两层卷积，而参数在第一层全连接中最多；
• 测试时全连接转卷积，使用了1x1卷积核，省去了AlexNet测试时多次裁剪的麻烦；
• 原论文中无法直接训练深层VGG网络，因此先训练浅层网络，并使用浅层网络对深层网络进行初始化，在BN出现之后才得以直接训练。

2.5 GoogLeNet

2014年ILSVRC冠军网络。同样也是5+3的模式（以池化层为界），参数量约为5百万，核心模块是Inception Module。Inception历经了V1、V2、V3、V4等多个版本的发展，不断趋于完善。GoogLeNet取名中L大写是为了向LeNet致敬，而Inception的名字来源于盗梦空间中的"we need to go deeper"梗。

Inception V1：加大深度、加大宽度（通过增加分支）、减少参数

深度方面：层数更深，论文采用了22层，为了避免梯度消失问题，GoogLeNet在不同深度处（4b和4e处，以最大池化为界）增加了两个分支，来回传梯度。

宽度方面：采用多分支分别处理然后拼接的Inception Module。

• 用1×1、3×3、5×5、max pooling这四种核并行的方式，让网络自己决定该用什么样的卷积核；
• 采用不同大小的卷积核意味着不同大小的感受野，可以捕捉到不同尺度的信息，最后拼接意味着不同尺度的特征进行信息融合；(不同于2011年Yann LeCun的交通标志识别模型，那个是不同层级特征，这个是不同视野)
• 为了避免concat起来的feature map厚度过大，Inception模块在3×3前、5×5前、max pooling后分别加上了1×1的卷积核，降低feature map厚度。

另外，为了减少参数，网络最后采用了average pooling来代替第一个全连接层，参数可以减少一个数量级。

Inception V2：主要做了两个改动

• 学习VGG网络，将7×7和5×5卷积分解成若干等效3×3卷积；（减少参数同时增加非线性转换）
• 增加了BN层，加快收敛速度，且有一定的正则化效果；（配合其他操作：增大学习率，更彻底的对训练数据进行shuffle，减少数据增广中图像的光学畸变等；要达到V1结构相同的准确率，训练时间只有之前的1/14）

Inception V3：主要在两个方面改造

• 引入Factorization into small convolutions的思想，将一个较大的二维卷积拆成两个较小的一维卷积，比如将7×7卷积拆成1×7卷积和7×1卷积。适用于中度大小的feature map，对于m×m大小的feature map，建议m在12到20之间。作用是：1.节约参数，减小计算量，减轻过拟合；2.中间可以加一层relu激活，增加模型非线性表达能力；
• 优化Inception Module的结构。现在模块中有35×35、17×17和8×8三种不同的结构。这些Inception Module只在网络的后部出现，前部还是普通的卷积层。并且还在Inception Module的分支中还使用了分支。

Inception V4：结合了残差神经网络ResNet，进一步降低了0.4%的错误率

2.6 ResNet

2015年ILSVRC冠军网络。核心是带短连接的残差模块，其中主路径有两层卷积核（Res34），短连接把模块的输入信息直接和经过两次卷积之后的信息融合，相当于加了一个恒等变换。短连接是深度学习又一重要思想，除计算机视觉外，短连接思想也被用到了机器翻译、语音识别/合成领域。

两篇论文，分别提出V1版和V2版。

结构特点：

• 总体架构：类似5+3结构，第一个模块为普通卷积，第2、3、4、5为模块组，然后经过一个平均池化，直接送到最后一层fc；（注意：GoogleNet中将fc6换成了平均池化层，然后经过fc7,fc8，但是ResNet直接将fc7也省掉了）
• 两种残差模块：除了左图的残差模块，对于很深的网络（超过50层），ResNet使用了更高效的瓶颈结构(BottleNeck)(主路径的第一层和第三层均为1×1卷积，如右图)；
• 两路信息融合时有三种选择：直接相加（前后特征图厚度一致时）+填充0后直接相加（前后特征图厚度不一致时）；直接相加+线性变换（用1×1卷积）；全部线性变换。（注：前后特征图尺寸不一致时，1×1卷积核的步长为2，起到了下采样的效果）作者推荐短路连接采用恒等变换，这样保证短路连接不会有阻碍。
• 更好的残差模块preResNet：作者在V2中对不同的残差单元做了细致的分析与实验，最优的残差结构如下图所示。改进前后一个明显的变化是采用pre-activation，BN和ReLU都提前了。

残差网络解决了什么，为什么有效？

背景要点：

• NN好用的原因：一是表达能力特别强大，能拟合任意函数；二是免去了繁重的特征工程，特别适合于非结构化数据。
• 但NN总是有一些问题，除了过拟合之外，还有特别常见的梯度消失/爆炸，和网络退化的问题。
• 网络退化的原因：虽然56层网络的解空间包含了20层网络的解空间，但是我们在训练网络用的是随机梯度下降策略，往往解到的不是全局最优解，而是局部的最优解，显而易见56层网络的解空间更加的复杂，所以导致使用随机梯度下降算法无法解到最优解。
• 残差网络解决了网络深度过大带来的网络退化问题。

残差网络为何有效的三种解释：

• 何恺明等人从前后向信息传播的角度给出了残差网络的一种解释。在反向传播过程中，由于模块学习的是F(x)+x，导数为F(x)的导数加1，因此后面的梯度能比较顺畅地传到前面，即抑制了梯度消失的现象；而在前向传播的过程中，由于普通网络中x在经过网络层时候总要乘以其中的权重矩阵，因此很难保持前后恒等，换句话说，当网络深度过大时候，超出的层因为没法保证这一模块的输入输出一致，导致模型退化，而残差模块F(x)+x因为加了一个恒等项，模块学习的就不再是恒等映射H(x)=x，而是H(x)=0，后者比前者更容易学习，因此在很大程度上解决了网络退化的问题。综上可以认为残差连接使得信息前后向传播更加顺畅。（当然也有人认为主要是解决的网络退化问题，因为梯度消失问题基本上已经通过relu、特殊的初始化、BN来解决了。残差模块虽然有助于减轻梯度消失，但主要还是解决了网络退化。）
• 集成学习的角度。16年一篇论文指出，残差网络展开后实际上相当于一系列浅层网络的集成，在训练中贡献了梯度的是那些相对较短的路径。
• 梯度破碎的角度。2018年的一篇论文指出了一个新的观点，尽管残差网络提出是为了解决梯度弥散和网络退化的问题，但它解决的实际上是梯度破碎问题。梯度破碎就是在标准前馈神经网络中，随着深度增加，梯度逐渐呈现为白噪声的现象，即神经元梯度的相关性(corelation)按指数级减少；同时，梯度的空间结构也随着深度增加被逐渐消除。因为现在基于梯度的许多优化方法假设梯度在相邻点上是相似的，所以破碎的梯度会使这些优化方法的效果大打折扣。而残差连接可以极大地保留梯度的空间结构，缓解了梯度破碎问题。2018年有一篇可视化的论文支持这一说法，作者比较了Res56网络带残差模块和不带残差模块的损失函数三维图，不带残差模块的损失函数表面是一片怪石嶙峋，而带残差模块的损失函数表面像一片平缓的山丘，更有利于优化。

2.7 ResNeXt

ResNet的另一改进。主要是采用了VGG堆叠思想和Inception的split-transform-merge思想，在不增加参数复杂度的前提下提高准确率。ResNeXt发现，增加分支数是比加深或加宽更有效地提升网络性能的方式。结构关键点是：

• 沿用ResNet的短路连接，并且重复堆叠相同的模块组合；
• 多分支分别处理；
• 使用1×1卷积降低计算量；
• 利用分组卷积进行实现（如图c）,结构更简洁而且速度更快。

2.8 DenseNet

CVPR2017的oral。主要思想是将每一层都与后面的层连接起来，如果一个网络中有L层，那么会有L(L+1)/2个连接。通过这样的密集连接，每一层在正向时候都能直接接受原始输入信号，在反向时候也都能直接接受损失函数的梯度，即这种连接方式使得特征和梯度的传递更加有效，网络也就更加容易训练。

当然，如果全部采用这种密集连接的方式，特征图的厚度就会很大。于是采用两种方式降低参数量：一是将密集连接的层做成一个模块，整个网络采用模块堆叠的方式，而不是所有层全部密集连接；二是在dense block中引入bottleneck layer，即卷积3x3前增加1x1卷积，以此来减少feature map数量。

缺点是太吃显存。通常占用显存的主要是推断过程中产生的feature map和参数量。有些框架会有优化，自动把比较靠前的层的feature map释放掉，所以显存就会减少，或者inplace操作通过重新计算的方法减少一部分显存，但是densenet因为需要重复利用比较靠前的feature map，所以无法释放，导致显存占用过大。

2.9 SENet

2017年ILSVRC冠军网络。是一个模块，可以和其他的网络架构结合，比如GoogLeNet、ResNet等。

两大步骤：Squeeze和Excitation。相当于在通道上应用注意力机制，即学习各个通道的权重，根据重要程度增强有用的通道、抑制没有用的通道。

3 各种经典模型的比较

前面介绍的各种图像分类模型都比较经典，特别是VGG16、GoogLeNet和ResNet，现在仍然在广泛使用。截至2017年初，各种经典架构对比如下。

Reference

• https://zhuanlan.zhihu.com/p/31727402