Very Deep Convolutional NetWorks for Large-Scale Image Recognition

论文阅读《Very Deep Convolutional NetWorks for Large-Scale Image Recognition》

介绍

这是卷积神经网络发展的一些主要网络 

LeNet（3个卷积层+2个降采样层+1个全连接层）CNN雏形 
AlexNet （5个卷积层+3个全连接层+1个softmax层 
本文所讨论的VGG就是基于LeNet、AlexNet提出的更深的卷积神经网络 
VGG主要采用增加卷积层的方法来加深网络，结果发现深度越深，网络学习能力越好，分类能力越强。当深度增加到16-19层时，识别效果有较大提升，即VGG-16，VGG-19。

在ILSVRC2014竞赛中定位第一，分类第二（第一是GoogleNet）。 
将卷积层的概念提升到了卷积group概念上，每个卷积group中含有几层卷积层，不再像AlexNet中5个卷积层，而是5个卷积group组合，将AlexNet的8层深度推到了16-19层。

正文

1.摘要

文章主要研究了深度对卷积神经网络分类精度的影响。 
在AlexNet的基础上主要做了两方面的改进： 
1.使用了最小的3*3卷积核尺寸和最小间隔。 
2. 在整个图片和multi-scale上训练和测试图片。 
论文原句：1. Use smaller receptive window size and smaller stride of the first convolutional layer. 
2.Training and testing the networks densely over the whole image and over multiple scales.

2.配置

采用较小的Filter尺寸-3*3，卷积的间隔s=1: 
1：3*3是最小的能够捕获上下左右和中心概念的尺寸。 
2：两个3*3的卷基层的有限感受野是5*5；三个3*3的感受野是7*7，可以替代大的filter尺寸。 
3：多个3*3的卷基层比一个大尺寸filter卷基层有更多的非线性，使得判决函数更加具有判决性。 
4：多个3*3的卷积层比一个大尺寸的filter有更少的参数，假设卷基层的输入和输出的特征图大小相同为C，那么三个3*3的卷积层参数个数3*（3*3*C*C）=27CC；一个7*7的卷积层参数为49CC；所以可以把三个3*3的filter看成是一个7*7filter的分解（中间层有非线性的分解）。 
也使用过1*1 filter: 
作用是在不影响输入输出维数的情况下，对输入进行线性形变，然后通过Relu进行非线性处理，增加网络的非线性表达能力。 
Max-Pooling：2*2，间隔s=2；

3.分类

3.1 分类训练配置

Multi-scale 训练（多尺度训练） 
多尺度的意义在于图片中的物体的尺度有变化，多尺度可以更好的识别物体。有两种方法进行多尺度训练。在不同的尺度下，训练多个分类器，参数为S，参数的意义就是在做原始图片上的缩放时的短边长度。 论文中训练了S=256和S=384两个分类器，其中S=384的分类器的参数使用S=256的参数进行初始化，且将步长调为10e-3。由0.01->0.001 另一种方法是直接训练一个分类器，每次数据输入时，每张图片被重新缩放，缩放的短边S随机从[min, max]中选择，论文中使用区间[256,384]，网络参数初始化时使用S=384时的参数 
把原始 image缩放到最小边S>224；然后在full image上提取224*224片段，进行训练。在训练的过程中，输入为224*224大小的RGB图像，预处理时计算这三个通道的平均值，在训练时减去这些平均值，这样处理网络可能更快的收敛。

训练时发现，尽管VGG比Alex-net有更多的参数，更深的层次；但是VGG需要很少的迭代次数就开始收敛。这是因为： 
（1）深度和较小的filter尺寸起到了隐式的规则化的作用。 
（2）在特定的层使用了预训练得到的数据进行参数的初始化。 
参考Sermanet等人的做法（OverFeat:Integrated Recognition, Localization and Detection using Convolutional Networks）这也是一篇非常经典的文章

3.2分类测试

测试的时候也采用multi-scale。 
同一张测试图片可以rescale成不同的大小，这样多个scale的同一张图片都在网络中进行测试，可以提升测试效果。

3.3分类实现细节

使用C++ Caffe toolbox实现 支持单系统多GPU 多GPU把batch分为多个GPU-batch，在每个GPU上进行计算，得到子batch的梯度后，以平均值作为整个batch的梯度。 论文的参考文献中提出了很多加速训练的方法。论文实验表明，在4-GPU的系统上，可以加速3.75倍。

3.4分类实现结果

 


以上的图分别是单尺度测试、多尺度测试、大量的crops测试、多模型投票的实验结果， 
可以看出的是深度越深，实验结果越好，多尺度测试比单尺度测试结果要好，大量crops的测试结果可以进一步提高正确率，多模型融合也可以提高正确率。

3.5分类与其他网络比较

仅次于GoogleNet。

4.定位

使用模型D（参数最少，表现最好）通过回归函数来替换分类器，两种分类方法：SCR(single-classregression)，用一个回归函数来学习预测所有类别的bounding box；PCR（per-class regression）每个类别有自己单独的一个回归函数。 
训练：分别在S=256和S=384上训练两个模型，网络反馈学习时，探究了两种情况1，fine tuning整个网络；2，只调整全连接层。

测试： 
第一种测试框架：定位网络只应用在图像的裁剪中心，用于比较不同的网络修改下性能。 

1，发现fine-tuning整个网络的定位性能，比值调整全连接层权值的定位结果要好。 
2，PCR比SCR结果好，这个和OverFeat的结果相反。 
所以最好的定位方法是采用PCR，fine-tuning整个网络。 
第二种测试框架：在整个图像上密集应用定位网络；首先根据softmax分类结果给定bounding box的置信得分，然后融合空间相似的bounding box，最后选取最大置信得分的bounding box。 
在不同scale下，定位结果。 
 
1，适当的scale对于定位结果有影响S=384好于S=256。 
2，multi-scale比single-scale好。 
3，multi-model fusion会更好。 
定位网络与其他网络比较 

5.结论

贡献

经过本文的研究发现，深度是获得好结果的关键。文章通过随机的方式训练最浅的网络A。然后在训练其他网络时在A上进行一些列的修改，一步一步地提高网络性能，进而探索好的网络设计应该是什么样的。