Spatial Transformer Networks(STN)详解

1、STN的作用

1.1 灵感来源

  普通的CNN能够显示的学习平移不变性,以及隐式的学习旋转不变性,但attention model 告诉我们,与其让网络隐式的学习到某种能力,不如为网络设计一个显式的处理模块,专门处理以上的各种变换。因此,DeepMind就设计了Spatial Transformer Layer,简称STL来完成这样的功能。

1.2 什么是STN?

  关于平移不变性 ,对于CNN来说,如果移动一张图片中的物体,那应该是不太一样的。假设物体在图像的左上角,我们做卷积,采样都不会改变特征的位置,糟糕的事情在我们把特征平滑后后接入了全连接层,而全连接层本身并不具备 平移不变性 的特征。但是 CNN 有一个采样层,假设某个物体移动了很小的范围,经过采样后,它的输出可能和没有移动的时候是一样的,这是 CNN 可以有小范围的平移不变性 的原因。
在这里插入图片描述
  如上图所示,如果是手写数字识别,图中只有一小块是数字,其他大部分地区都是黑色的,或者是小噪音。假如要识别,用Transformer Layer层来对图片数据进行旋转缩放,只取其中的一部分,放到之后然后经过CNN就能识别了。我们发现,它其实也是一个layer,放在了CNN的前面,用来转换输入的图片数据,其实也可以转换feature map,因为feature map说白了就是浓缩的图片数据,所以Transformer layer也可以放到CNN里面。

2、STN网络架构在这里插入图片描述

  上图是Spatial Transformer Networks的网络结构,它主要由3部分组成,它们的功能和名称如下:参数预测:Localisation net、坐标映射:Grid generator、像素的采集:Sampler。
在这里插入图片描述
  上图展示了一个平移变换的过程,也就是STN所做的事情。假设左边是Layer l−1的输出,也就是STN的输入,最右边为变换后的结果。假设是一个全连接层,n,m代表输出的值在输出矩阵中的下标,输入的值通过权值w,做一个组合,完成这样的变换。
  假如要生成 a 11 l a_{11}^{l} a11l,那就是将左边矩阵的九个输入元素,全部乘以一个权值,加权相加: a 11 l = w 1111 l a 11 l − 1 + w 1112 l a 12 l − 1 + w 1113 l a 13 l − 1 + ⋯ + w 1133 l a 33 l − 1 a_{11}^{l}=w_{1111}^{l} a_{11}^{l-1}+w_{1112}^{l} a_{12}^{l-1}+w_{1113}^{l} a_{13}^{l-1}+\cdots+w_{1133}^{l} a_{33}^{l-1} a11l=w1111la11l1+w1112la12l1+w1113la13l1++w1133la33l1。这仅仅是 a 11 l a_{11}^{l} a11l的值,其他的结果也是这样算出来的,具体的计算公式如下所示: a n m l = ∑ i = 1 3 ∑ j = 1 3 w n m , i j l a i j l − 1 a_{n m}^{l}=\sum_{i=1}^{3} \sum_{j=1}^{3} w_{n m, i j}^{l} a_{i j}^{l-1} anml=i=13j=13wnm,ijlaijl1通过调整这些权值,就可以达到缩放和平移的目的,其实这就是变换的基本思路。在整个的变换过程中,会涉及到3个关键的问题需要去解决,具体的问题如下所示:

  • 问题1-应该如何确定这些参数?
  • 问题2-图片的像素点可以当成坐标,在平移过程中怎么实现原图片与平移后图片的坐标映射关系?
  • 问题3-参数调整过程中,权值一定不可能都是整数,那输出的坐标有可能是小数,但实际坐标都是整数的,如果实现小数与整数之间的连接?

3、Localisation net是如何实现参数的选取的?

3.1 如何实现平移变换

在这里插入图片描述
  对于平移变换而言,比如从 a 11 l − 1 a_{11}^{l-1} a11l1平移到 a 21 l a_{21}^{l} a21l,得到的 a 21 l a_{21}^{l} a21l可以使用下式来表示: a 21 l = w 2111 l a 11 l − 1 + w 2112 l a 12 l − 1 + w 2113 l a 13 l − 1 + ⋯ + w 2133 l a 33 l − 1 a_{21}^{l}=w_{2111}^{l} a_{11}^{l-1}+w_{2112}^{l} a_{12}^{l-1}+w_{2113}^{l} a_{13}^{l-1}+\cdots+w_{2133}^{l} a_{33}^{l-1} a21l=w2111la11l1+w2112la12l1+w2113la13l1++w2133la33l1,当 w 2111 l = 1 w_{2111}^{l}=1 w2111l=1,其余均为0时,上式则可以简化为: a 21 l = 1 ∗ a 11 l 1 1 a_{21}^{l}=1 * a_{11}^{l_{1} 1} a21l=1a11l11,这样就完成了整个平移变换,其它的平移也可以使用类似的方法来获得。

3.2 如何实现缩放变换

  如果想要放大一张图片,只需要在X轴和Y轴方向上同时X2就可以啦,这样就可以达到放大的效果。上述过程可以用下图中的矩阵表达式来表示。缩小图片的原理和放大图片的原理很相似,具体的实现细节请看下图。
在这里插入图片描述

3.3 如何实现旋转变换

  一个圆圈的角度是360度,我们可以通过控制水平和竖直两个方向来实现旋转。
在这里插入图片描述
由点A旋转θ度角,到达点B.得到下式: x ′ = R cos ⁡ α y ′ = R sin ⁡ α \begin{array}{l}{x^{\prime}=R \cos \alpha} \\ {y^{\prime}=R \sin \alpha}\end{array} x=Rcosαy=Rsinα 由A点可得下式: x = R cos ⁡ ( α + θ ) y = R sin ⁡ ( α + θ ) \begin{array}{l}{x=R \cos (\alpha+\theta)} \\ {y=R \sin (\alpha+\theta)}\end{array} x=Rcos(α+θ)y=Rsin(α+θ) 将上式展开可得: x = R cos ⁡ α cos ⁡ θ − R sin ⁡ α sin ⁡ θ y = R sin ⁡ α cos ⁡ θ + R cos ⁡ α sin ⁡ θ \begin{array}{l}{x=R \cos \alpha \cos \theta-R \sin \alpha \sin \theta} \\ {y=R \sin \alpha \cos \theta+R \cos \alpha \sin \theta}\end{array} x=RcosαcosθRsinαsinθy=Rsinαcosθ+Rcosαsinθ 把未知数α替换掉可得下式: x = x ′ cos ⁡ θ − y ′ sin ⁡ θ y = y ′ cos ⁡ θ + x ′ sin ⁡ θ \begin{aligned} x &=x^{\prime} \cos \theta-y^{\prime} \sin \theta \\ y &=y^{\prime} \cos \theta+x^{\prime} \sin \theta \end{aligned} xy=xcosθysinθ=ycosθ+xsinθ 总而言之,我们可以简单的理解为cosθ,sinθ就是控制这样的方向的,把它当成权值参数,写成矩阵形式,就完成了旋转操作。
在这里插入图片描述

3.4 如何实现裁剪变换

  剪切变换相当于将图片沿x和y两个方向拉伸,且x方向拉伸长度与y有关,y方向拉伸长度与x有关,用矩阵形式表示前切变换如下:
在这里插入图片描述

3.5 总结

  通过上面的分析,我们发现所有的这些操作,只需要六个参数[2X3]就可以实现各种变换功能啦,所以我们可以把feature map U作为输入,过连续若干层计算(如卷积、FC等),回归出参数θ,在我们的例子中就是一个[2,3]大小的6维仿射变换参数,用于下一步计算。

4、Grid generator如何实现像素点坐标的对应关系?

4.1 为什么会有坐标的问题?

  由上面的公式,我们可以发现,无论如何做旋转,缩放,平移,只用到六个参数就可以了,具体如下图所示:
在这里插入图片描述
  缩放的本质,其实就是在原样本上面进行采样,获得对应的像素点,通俗点说,就是输出的图片(i,j)的位置上,要对应输入图片的哪个位置?
在这里插入图片描述
  如图所示旋转缩放操作,我们把像素点看成是坐标中的一个小方格,输入的图片 U ∈ R H x W x C U \in R^{H x W x C} URHxWxC可以是一张图片,或者feature map,其中H表示高,W表示宽,C表示颜色通道。经过变换 T θ ( G ) T_{\theta}(G) Tθ(G),θ是上一个部分(Localisation net)生成的参数,生成了图片 V ∈ R H ′ x W ′ x C V \in R^{H^{\prime} x W^{\prime} x C} VRHxWxC,它的像素相当于被贴在了图片的固定位置上,用 G = G i G=G_{i} G=Gi表示,像素点的位置可以表示为 G i = { x i t , y i t } G_{i}=\left\{x_{i}^{t}, y_{i}^{t}\right\} Gi={xit,yit},这就是我们在这一阶段要确定的坐标。

4.2 仿射变换关系

在这里插入图片描述
  上图展示的是一个坐标转换变换关系:其中 ( x i t , y i t ) \left(x_{i}^{t}, y_{i}^{t}\right) (xit,yit)表示的是输出目标图片的坐标, ( x i s , y i s ) \left(x_{i}^{s}, y_{i}^{s}\right) (xis,yis)表示原图片的坐标, A θ A_{\theta} Aθ表示仿射关系。我们的仿射变换关系是:从目标图片------->原图片。作者在论文中写的比较模糊,比较满意的解释是坐标映射的作用,其实是让目标图片在原图片上采样,每次从原图片的不同坐标上采集像素到目标图片上,而且要把目标图片贴满,每次目标图片的坐标都要遍历一遍,是固定的,而采集的原图片的坐标是不固定的,因此用这样的映射。
在这里插入图片描述
  如图所示,假设只有平移变换,这个过程就相当于一个拼图的过程,左图是一些像素点,右图是我们的目标,我们的目标是确定的,目标图的方框是确定的,图像也是确定的,这就是我们的目标,我们要从左边的小方块中拿一个小方块放在右边的空白方框上,因为一开始右边的方框是没有图的,只有坐标,为了确定拿过来的这个小方块应该放在哪里,我们需要遍历一遍右边这个方框的坐标,然后再决定应该放在哪个位置。所以每次从左边拿过来的方块是不固定的,而右边待填充的方框却是固定的,所以定义从目标图片------->原图片的坐标映射关系更加合理,且方便。

5、Sampler实现坐标求解的可微性

5.1 小数坐标问题的提出

  我们可以假设一下我们的权值矩阵的参数是如下这几个数,x,y分别表示的是他们的下标,经过变换后,可以得到如下的变换关系。
在这里插入图片描述
前面举的例子中,权值都是整数,计算的结果也必定是整数,如果不是整数呢?
在这里插入图片描述
假如权值是小数,那得到的值也一定是小数,1.6,2.4,但是没有元素的下标索引是小数呀。那不然取最近吧,那就得到2,2了,也就是与 a 22 l a_{22}^{l} a22l对应了。

5.2 解决输出坐标为小数的问题

  使用上面的四舍五入显然是不能进行梯度下降来回传梯度的。由于梯度下降是一步一步调整的,而且调整的数值都比较小,哪怕权值参数有小范围的变化,虽然最后的输出也会有小范围的变化,比如一步迭代后,结果有:1.6→1.64,2.4→2.38。但是即使有这样的改变,结果依然是 a 22 l 1 → a 22 l a_{22}^{l_{1}} \rightarrow a_{22}^{l} a22l1a22l的对应关系没有一点变化,所以output依然没有变,我们没有办法微分了,也就是梯度依然为0呀,梯度为0就没有可学习的空间呀。所以我们需要做一个小小的调整。
  仔细思考一下这个问题是什么造成的,我们发现其实在推导SVM的时候,我们也遇到过相同的问题,当时我们如果只是记录那些出界的点的个数,好像也是不能求梯度的,当时我们是用了hing loss,来计算一下出界点到边界的距离,来优化那个距离的,我们这里也类似,我们可以计算一下到输出[1.6,2.4]附近的主要元素,如下所示,计算一下输出的结果与他们的下标的距离,可得:
在这里插入图片描述
然后做如下更改:
在这里插入图片描述
他们对应的权值都是与结果对应的距离相关的,如果目标图片发生了小范围的变化,这个式子也是可以捕捉到这样的变化的,这样就能用梯度下降法来优化了。

5.3 Sampler的数学原理

  论文作者对我们前面的过程给出了非常严密的证明过程,以下是我对论文的转述。每次变换,相当于从原图片 ( x i s , y i s ) \left(x_{i}^{s}, y_{i}^{s}\right) (xis,yis)中,经过仿射变换,确定目标图片的像素点坐标 ( x i t , y i t ) \left(x_{i}^{t}, y_{i}^{t}\right) (xit,yit)的过程,这个过程可以用公式表示为:
在这里插入图片描述
kernel k表示一种线性插值方法,比如双线性插值,更详细的请参考该链接 ϕ x , ϕ y \phi_{x}, \phi_{y} ϕx,ϕy表示插值函数的参数; U n m c U_{n m}^{c} Unmc表示位于颜色通道C中坐标为(n,m)的值。
如果使用双线性插值,则可以使用下式来表示:
在这里插入图片描述
为了允许反向传播回传损失,我们可以求对该函数求偏导:
在这里插入图片描述
对于 y i s y_{i}^{s} yis的偏导也类似,如果就能实现这一步的梯度计算,而对于 = ∂ x i s ∂ θ , ∂ y i s ∂ θ =\frac{\partial x_{i}^{s}}{\partial \theta}, \frac{\partial y_{i}^{s}}{\partial \theta} =θxis,θyis的求解也很简单,所以整个过程按照Localisation net←Grid generator←Sampler的梯度回传就能走通了。

6、Spatial Transformer Networks(STN)

在这里插入图片描述
  将这三个组块结合起来,就构成了完整STN网络结构了。这个网络可以加入到CNN的任意位置,而且相应的计算量也很少。将 spatial transformers 模块集成到 cnn 网络中,允许网络自动地学习如何进行 feature_map 的转变,从而有助于降低网络训练中整体的代价。定位网络中输出的值,指明了如何对每个训练数据进行转化。

7、STN 代码实现

STN结构示例如下所示:

class STN(nn.HybridBlock):
	##继承HybridBlock模块,可以方便的hybrid,将命令式编程转换为符号式提升性能但损失了一定的灵活性
    def __init__(self):
        super(STN, self).__init__()
        with self.name_scope():
		# 使用name_scope可以自动给每一层生成独一无二的名字方便读取特定层
        # Spatial transformer localization-network
        # loc 定义了两层卷积网络
            loc = self.localization = nn.HybridSequential() 
            loc.add(nn.Conv2D(8, kernel_size=7))
            loc.add(nn.MaxPool2D(strides=2))
            loc.add(nn.Activation(activation='relu'))
            loc.add(nn.Conv2D(10, kernel_size=5))
            loc.add(nn.MaxPool2D(strides=2))
            loc.add(nn.Activation(activation='relu'))
         # 采用两层全连接层,回归出仿射变换所需的参数θ(6,)   
            # Regressor for the 3 * 2 affine matrix
            fc_loc = self.fc_loc = nn.HybridSequential()
            fc_loc.add(nn.Dense(32,activation='relu'))
            # 将该层w初始化为全零,b初始化为[1,0,0,0,1,0]
            fc_loc.add(nn.Dense(3 * 2,weight_initializer='zeros'))
            
    # Spatial transformer network forward function
    # 使用hybrid_forward需要增加F参数,它会自动判定前向过程中调用nd还是sym            
    def hybrid_forward(self,F, x):    
        xs = self.localization(x)
        xs = xs.reshape((-1, 10 * 3 * 3))
        theta = self.fc_loc(xs)
        theta = theta.reshape((-1, 2*3))
		# MxNet 已经定义好了相应的产生网格和采样的函数接口
        grid = F.GridGenerator(data=theta, transform_type='affine',target_shape=(28,28),name='grid')

        x = F.BilinearSampler(data=x,grid=grid,name='sampler' )

        return x        

主体网络代码如下所示:

class Net(nn.HybridBlock):
    def __init__(self):
        super(Net, self).__init__()
        # 对输入图片进行STN变换后送入一个简单的两层卷积,两层全连接网络
        with self.name_scope():
            self.model = nn.HybridSequential()
            self.model.add(STN())
            self.model.add(nn.Conv2D(10, kernel_size=5))
            self.model.add(nn.MaxPool2D())
            self.model.add(nn.Activation(activation='relu'))
            self.model.add(nn.Conv2D(20, kernel_size=5))
            self.model.add(nn.Dropout(.5))
            self.model.add(nn.MaxPool2D())
            self.model.add(nn.Activation(activation='relu'))
            self.model.add(nn.Flatten())
            self.model.add(nn.Dense(50))
            self.model.add(nn.Activation(activation='relu'))
            self.model.add(nn.Dropout(.5))
            self.model.add(nn.Dense(10))

    def hybrid_forward(self,F, x):
        for i,b in enumerate(self.model):
            x = b(x)
        return x

参考资料

[1] STN论文
[2] 参考博客1
[3] 参考博客2

注意事项

[1] 如果您对AI、自动驾驶、AR、ChatGPT等技术感兴趣,欢迎关注我的微信公众号“AI产品汇”,有问题可以在公众号中私聊我!
[2] 该博客转载自该博客
[3] 由于个人能力有限,该博客可能存在很多的问题,希望大家能够提出改进意见。
[4] 如果您在阅读本博客时遇到不理解的地方,希望您可以联系我,我会及时的回复您,和您交流想法和意见,谢谢。
[5] 本人业余时间承接各种本科毕设设计和各种小项目,包括图像处理(数据挖掘、机器学习、深度学习等)、matlab仿真、python算法及仿真等,有需要的请加QQ:1575262785详聊,备注“项目”!!!

  • 22
    点赞
  • 119
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
空间变换网络(Spatial Transformer NetworksSTN)是一种神经网络结构,用于改善卷积神经网络(CNN)的空间不变性。STN可以对经过平移、旋转、缩放和裁剪等操作的图像进行变换,使得网络在变换后的图像上得到与原始图像相同的检测结果,从而提高分类的准确性。STN由三个主要部分组成:局部化网络(Localisation Network)、参数化采样网格(Parameterised Sampling Grid)和可微分图像采样(Differentiable Image Sampling)。 局部化网络是STN的关键组件,它负责从输入图像中学习如何进行变换。局部化网络通常由卷积和全连接层组成,用于估计变换参数。参数化采样网格是一个由坐标映射函数生成的二维网格,它用于定义变换后每个像素在原始图像中的位置。可微分图像采样则是通过应用参数化采样网格来执行图像的变换,并在变换后的图像上进行采样。 使用STN的主要优点是它能够在不改变网络结构的情况下增加空间不变性。这使得网络能够处理更广泛的变换,包括平移、旋转、缩放和裁剪等。通过引入STN层,CNN可以学习到更鲁棒的特征表示,从而提高分类准确性。 关于STN的代码实现,您可以在GitHub上找到一个示例实现。这个实现使用TensorFlow框架,提供了STN网络的完整代码和示例。您可以通过查看该代码来了解如何在您的项目中使用STN。 综上所述,spatial transformer networks(空间变换网络)是一种神经网络结构,用于增加CNN的空间不变性。它包括局部化网络、参数化采样网格和可微分图像采样三个部分。通过引入STN层,CNN可以学习到更鲁棒的特征表示,从而提高分类准确性。在GitHub上有一个使用TensorFlow实现的STN示例代码供参考。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值