VGG Net 論文細讀

就良同學發表於2021-08-12

論文地址：《Very Deep Convolutional Networks for Large-Scale Image Recognition》
思維導圖：https://mubu.com/explore/5JnjDt1vIng

一、背景

LSVRC：大規模影像識別挑戰賽

ImageNet Large Scale Visual Recognition Challenge 是李飛飛等人於2010年創辦的影像識別挑戰賽，自2010起連續舉辦8年，極大地推動計算機視覺發展。比賽專案涵蓋：影像分類(Classification)、目標定位(Object localization)、目標檢測(Object detection)、視訊目標檢測(Object detection from video)、場景分類(Scene classification)、場景解析(Scene parsing)。

VGG Net由牛津大學的視覺幾何組（Visual Geometry Group）參加2014年ILSVRC提出的網路模型，它主要的貢獻是展示了卷積神經網路的深度（depth）是演算法優良效能的關鍵部分。

二、Abstract

Q1：做了什麼？

研究了“卷積網路的深度”在大規模的影像識別環境下對準確性的影響（即神經網路的深度與其效能之間的關係）。

Q2：怎麼做的？

使用一個非常小的卷積核\((3\times3)\)對網路深度進行評估，評估發現將網路深度加至16層-19層，效能有了顯著提升。

Q3：做得怎麼樣？

在ImageNet Challenge 2014競賽中，定位賽道獲得第一名，分類賽道獲得第二名。

三、Architecture

論文提出了多種規模的網路架構（不同規模深度不盡相同），下圖為其中效能表現良好的網路架構之一：VGG16結構圖。

image

1、輸入

  1. 規格：3@224x224（3個通道，寬高畫素均為224）；
  2. 唯一的預處理操作：計算出3個通道的平均值，在每個畫素上減去平均值（處理後迭代更少，收斂更快）；

2、卷積

  1. 大部分網路架構使用非常小的3x3卷積核貫穿整個網路；
  2. 部分網路架構除了3x3卷積核之外還使用了1x1卷積核；
  3. 卷積層步長（stride）=1，3x3卷積核的填充（padding）=1；
  4. 所有隱藏卷積層都配備了ReLU非線性啟用。

3、池化

  1. 整個網路架構的池化總共由5個“MAX池化層”實現；
  2. 池化操作在一系列卷積操作之後執行；
  3. 池化視窗為2x2，步長=2。

4、分類器

所有卷積操作之後跟有3個全連線層（FC層）：

  1. 前2個FC層：均為4096通道；
  2. 最後1個FC層：1000個通道；
  3. 全連線層之後是SoftMax分類器。

四、Dicussion

所有的ConvNet配置如圖所示，VGG結構全部都採用較小的卷積核（3x3，部分1x1）：

image

1、3x3卷積核的作用（優勢）

兩個3×3的卷積層串聯相當於1個5×5的卷積層（二者具有等效感受野5x5），3個串聯的3×3卷積層串聯的效果相當於一個7×7的卷積層；

下圖展示了為什麼“兩個3x3卷積層”與“單個5x5卷積層”具有等效的5x5的感受野。

image

1）作用1：減少網路層引數

  1. 對於兩個3x3卷積核，所用的引數總量為\(2\times3^2\times{channels}\)（假設通過padding填充保證卷積層輸入輸出通道數不變）；
  2. 對於單個5x5卷積核，引數量為\(5^2\times{channels}\)；
  3. 引數量減少了\((1-\frac{2\times3^2\times{channels}}{5^2\times{channels}})\times100\%=28\%\)。

2）作用2：增加更多的非線性變換

2個3x3卷積層擁有比1個5x5卷積層更多的非線性變換（前者可以使用兩次ReLU啟用函式，而後者只有一次），使得卷積神經網路對特徵的學習能力更強。

2、1x1卷積核的作用

1）作用1：降低運算量

不影響輸入輸出的維度情況下（即圖片寬高尺寸不變），降低了大量運算，同時改變了維度（通道數）；

2）作用2：提高非線性

卷積之後再緊跟ReLU進行非線性處理，提高決策函式的非線性。

五、Classification Framework

1、訓練

1）引數設定

  1. 使用了mini-batch的梯度下降法（帶有衝量），batch_size設為256，衝量設為0.9；
  2. 前兩個FC層使用了dropout（失活概率為0.5），用來緩解過擬合；
  3. 訓練通過權重衰減（L2懲罰因子設定為\(5\times{10}^{-4}\)）進行正則化；
  4. 學習率初始化為0.01
    • 當驗證集準確率穩定時，學習率減少為原來\(\frac{1}{10}\)；
    • 整個訓練過程，學習率總共降低3次，學習在37萬次迭代後停止（74個epochs）。

2）預訓練

  1. 先訓練較淺的網路A，待A效能收斂之後，將A的網路權重儲存下來；
  2. 再複用A網路的權重來初始化後面的幾個複雜模型
    • 只對“前四個卷積層”、“後三層全連線層”複用A的網路權重，其它的中間層都是隨機初始化；
      • 隨機初始化，均值是0，方差是0.01，bias是0。

3）多尺度訓練

Q1：什麼是多尺度訓練（Multi-scale）？

詳見：https://www.cnblogs.com/xxxxxxxxx/p/11629657.html

通俗點講，就是將一張圖片先進行等比例縮放到不同尺寸（實現1張圖片變多張圖片），再在縮放後的圖片中隨機裁剪出指定尺寸區域得到更多的影像。

就這樣，實現了訓練集的資料增強。

Q2：作用是什麼？

資料增強，有利於預防過擬合。

Q3：步驟是什麼？

  1. 步驟1：將原始影像縮放到不同尺寸S；
    • Q：S設為多大合適呢？（兩種解決方法A1、A2）
      • S過小，裁剪到224x224的時候，就相當於幾乎覆蓋了整個圖片，這樣對原始圖片進行不同的隨機裁剪得到的圖片就基本上沒差別，就失去了增加資料集的意義；
      • S過大，，裁剪到的圖片只含有目標的一小部分，也不是很好。
    • A1：單尺度訓練（將S設為一個固定值）
      • 論文評估了S=256和S=384兩種單尺度模型；
    • A2：多尺度訓練（將S設為一個區間\([S_{min}, S_{max}]\)）
      • 論文隨機從[256，512]的區間範圍內進行抽樣，這樣原始圖片尺寸不一，有利於訓練，這個方法叫做尺度抖動（scale jittering），有利於訓練集增強。
  2. 步驟2：從縮放後的圖片隨機裁剪224x224區域的圖片；
  3. 步驟3：對裁剪後的圖片進行水平翻轉和隨機RGB色差調整（改變訓練影像中 RGB 通道的強度）；

2、測試

測試階段與訓練階段主要有兩點不同：

  1. 對於測試集同樣採用Multi-scale，將影像縮放到尺寸Q，但是Q可以≠訓練尺度S；
  2. 將“FC全連線層”轉換為“等效卷積層”

六、Classification Experiments

1、Single Scale Evaluation

  1. 若S採用單尺度，設Q=S；若S採用多尺度，設\(Q=0.5(S_{min}+S_{max})\);
  2. 通過“A-LRN”證明，網路中加入LRN沒什麼用；
  3. 通過比較A-E的“top-1 val.error”和“top-5 val.error”發現，網路深度越深，訓練效能越好，且深度達19層時，效能趨於飽和；
  4. 通過比較D和C，證明3x3卷積效果優於1x1卷積；
  5. 通過將“B”和“帶有5x5卷積的淺層網路”，發現兩個3x3卷積效果優於單個5x5卷積（即使二者具有等效的感受野）；
  6. 通過比較單尺度S和多尺度S，發現尺度抖動有利於訓練集資料增強。

image

2、Multi-Scale Evaluation

  1. 保持S為單尺度（\(S=256 or S=384\)），檢視多尺度Q的效能（\(Q=\{S-32, S, S+32\}\)）；
  2. 令S為多尺度（\(S\in[S_{min}, S_{max}]\)），檢視多尺度Q的效能（\(Q=\{ S_{min}, 0.5(S_{min}+S_{max}, S_{max}) \}\)）；
  3. 證明測試時的尺度抖動導致了更好的效能。

image

3、Multi-Crop Evaluation

  1. 將“稠密\(ConvNet\)(即未進行多裁剪)評估”與“多裁剪影像評估”進行比較；
  2. 通過平均其soft-max輸出來評估兩種評估技術的互補性；
  3. 證明了使用多裁剪影像表現比密集評估略好，而且這兩種方法確實是互補的（因為它們的組合優於其中的每一種）。

image

4、ConvNet Fusion

  1. 檢視多個卷積網路融合結果；
  2. ILSVRC提交的是單規模網路；post-提交的是多規模網路；
  3. 表現最好的多尺度模型（配置D和E）的組合，它使用密集評估將測試誤差降低到7.0％，使用密集評估和多裁剪影像評估將測試誤差降低到6.8％。

image

七、我的總結

VGGNet網路特點：

  1. 層數深（VGG擁有5段卷積，每段卷積內包含2-3個卷積層），同時每段尾部配有最大池化層，適用於大型資料集；
  2. 網路簡潔，使用了同樣大小的卷積核尺寸（3x3）和最大池化尺寸（2x2）貫穿整個網路架構；
  3. 採用“幾個小濾波器（3x3）卷積層的串聯組合”替代“一個大濾波器（5x5或7x7）卷積層”，效果更好；
  4. 訓練和測試階段都對資料集進行了Multi-scale將圖片縮放並取樣，實現了資料增強；
  5. 測試階段將全連線層轉換為等效卷積層，去除了FC層對輸入影像尺寸的限制；
  6. 採用多GPU並行訓練，每個GPU處理部分資料。

相關文章