ILSVRC历届冠军论文笔记

最新推荐文章于 2025-02-28 17:55:11 发布

KangRoger

最新推荐文章于 2025-02-28 17:55:11 发布

阅读量2w

点赞数 8

分类专栏： Paper笔记文章标签： ILSVRC CNN LeNet AlexNet GoogLeNet

本文链接：https://blog.csdn.net/kangroger/article/details/56522132

版权

Paper笔记专栏收录该内容

10 篇文章

订阅专栏

ImageNet Large Scale Visual Recognition Challenge是图像分类领域的比赛，记录一下历届冠军/经典论文的笔记。

LeNet

LeNet并没有参与ILSVRC比赛，但是它是卷积网络的开上鼻祖。LeNet主页上可以看到其详细信息，它是用来识别手写邮政编码的，论文可以参考Haffner. Gradient-based learning applied to document recognition

LeNet又称LeNet-5，它是一个7层的网络，
它的深度为5，包含2个卷积层和2个全连接层和1个Guassian connection。如下图：

它的输入数据height和width是[32x32]，MINIST数据集。

第1层卷积核大小[5x5]，步长为1，输出为[28x28x6]。
第2层是池化层，进行下采样。池化核[2x2]，步长为2，因此输出为[14x14x6]。论文中提到的池化方法，类似卷积，用[2x2]权重和感受视野做内积运算，得到结果；既不是MAX池化，也是不AVERAGE池化。
第3层是卷积层，共有16个卷积核，卷积核size[5x5]。通常卷积核depth和输入的depth相同，这里并不是。论文中定义了一个Connection Table，通过这个Table，可以看出每个卷积核和前一层那些feature map相连接。具体可以参考论文。之所以卷积核depth和输入depth不同，是因为1、non-complete连接可以减少参数个数；2、更重要的是打破了对称结构。这样得到的输入后，不同的feature map提取了不同的特征，因为它们输入不同。得到的输出为[10x10x16]
第4层是下采样层，和第二层的下采样类似。得到的输出为[5x5x16]。
第5层是卷积层，卷积核[5x5]，个数为[120]，depth为[16]；这样得到的输出为[1x1x120]。这样看来本质是一个全连接层，用卷积层是因为输入可能变大，这样得到的输出就不再是[1x1]了。
第6层是全连接层，输出为大小为84。这一层输出经过了非线性函数sigmoid。
第7层是输出层，它有欧式径向基函数（Euclidean Radial Basis Function）RBF组成，没类一个单元，包含84个输出。单元 $y_i$ :
$y i = \sum j (x j - w i j) 2$ $y_i = \sum_j(x_j - w_{ij})^2$
也就是，每个RBF单元计算输出向量和参数向量之间的欧式距离。和参数向量越远，输出越大;RBF的输出可以理解为衡量输入模式和RBF类别相关联模型之间的惩罚（匹配程度）。从概率角度看，RBF输出可以看做是和第6层输出的高斯分布的非负log-likelihood。给定一个输入，loss函数使得第6层输出和RBF参数向量足够接近。

LeNet是最早的卷积神经网络结构，它的开创了神经网络基本结构CONV->POOL->非线性算子；在此之后，卷积神经网络沉寂多年。

AlexNet

AlexNet(http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf)是2012年ILSVRC的冠军，且准确率远超第二名（top5 error rate15.3%，第二名为26.2%）。AlexNet介绍论文为ImageNet Classification with Deep Convolutional Neural Networks。

AlexNet结构如下:

上图采用了模型并行，网络分在了2个GPU中。AlexNet共有8个包含参数的层，其中5个卷积层，3个全连接层，最后一个全连接层后面是softmax层。具体网络结果不再赘述，总结一下AlexNet创新点：

使用了ReLU非线性激活替代tanh和sigmod，加快了训练速度。因为训练网络使用梯度下降法，非饱和的非线性函数训练速度快于饱和的非线性函数。下图是训练4层网络准确率和迭代次数关系，使用数据为CIFAR-10：
使用了LRN(Local Response Normalization)。LRB已经被证实基本没有效果，不再介绍。
使用重叠的Pooling
CNNs中的POOL层一般不会重叠，即步长大于等于池化核。但是AlexNet中，池化核的感受视野之间有重叠，例如池化核[3x3]，步长却为2。
使用了数据增强。为了减小过拟合。数据增强包括：1、随机crop图像。2、改变图像RGB通道强度。
使用了Dropout。也是为了减少过拟合。使用了Dropout后，每次前向/后向传播，网络结构都不相同；训练完成后，再把这些网络组合起来。使用了Dropout后，会增加训练时迭代的次数。

AlexNet的意义在于，使得CNNs重新回到人们视野，再次掀起来对CNNs研究的热潮。

ZFNet

ZFNet是2013你那ILSVRC的冠军。ZFNet论文为Visualizing and Understanding Convolutional Networks。ZFNet的网络结构，是在AlexNet上进行了微调：

ZFNet的意义不在于它获得了2013年ILSVRC的冠军，而是解释了为什么CNNs有效、怎么提高CNN性能。其主要贡献在于：

使用了反卷积，可视化feature map。通过feature map可以看出，前面的层学习的是物理轮廓、边缘、颜色、纹理，后面的层学习的是和类别相关的抽象特征。
与AlexNet相比，前面的层使用了更小的卷积核和更小的步长，保留了更多特征。
通过遮挡，找出了决定图像类别的关键部位。
通过实验，说明了深度增加时，网络可以学习到更好的特征。

GoogLeNet

GoogLeNet是2014年ILSVRC冠军。具体可以参考Going Deeper with Convolutions。GoogLeNet为22层，比以往网络都深，结构参数如下：

GoogLeNet创新了新的网络结构形式，其特点如下：

使用了1x1卷积；使用1x1卷积，1、增加了深度，2、降维，减小计算量。
使用了Inception结构。其结构如下：

1x1卷积目的已知。卷积核3x3、5x5是为了方便（pad=1和pad=2保持空间大小不变），额外增加一个池化会有额外益处。低层特征，经过Inception结构提取，又把特征混合到一起，空间大小不变。连续重复这样的结构，组成了GoogLeNet。
使用average pooling代替了full-connect。最后一层为softmax用来分类。
前面几层依然是CONV-POOL-CONV-CONV-POOL，后面才是Inception结构。

VGGNet

VGGNet是Oxford大学Visual Geometry Group提出的，目的是研究深度对卷积网络的影响。VGGNet使用简单的3x3卷积，不断重复卷积层（中间有池化），最后经过全连接、池化、softmax，得到输出类别概率。VGGNET共有6种不同类型配置，命名为A-E，深度从11（8个卷积核3个全连接）到19（16个卷积核3个全连接）；每个卷积层的depth，从一开始的64到最后的512（每经过一个max-pooling，就增加一倍），具体网络配置如图：

VGGNET采用AlexNet思想，网络架构为CONV-POOL-FC这种形式，其卷积层所有卷积核都是3x3，这样pad=1时，卷积层输入输入空间size不变。VGGNET特点包括：

所有卷积层都是3x3。连续多个卷积层，后面卷积层神对于输入的感受视野会变大，如连续2个3x3卷积层，第二层每个神经元感受视野为5x5；连续3个3x3卷积层，第三层每个神经元感受视野为7x7。这样做，1、多个非线性表达能力强于1个非线性。第二卷少了参数数量。depth为 $C$ 时，连续3个卷积核参数数量 $3(3\times 3 C^2)=27C^2$ ，单个7x7卷积层参数个数 $7 \times 7 = 49C^2$ 。
1x1卷积核，在不影响卷积层感受视野情况下，增加非线性，增强表达能力。

ResNet

ResNet是2015年ILSVRC的冠军，其论文为Deep Residual Learning for Image Recognition。ResNet也是创新了网络的结构形式，引入了残差网络（residual net）。ResNet的残差结构如下：

未加残差结构时，学习映射为 $H(x)$ ，但是 $H(x)$ 不容易学；加上参加结构后，学习映射变为 $F(x)=H(x)-x$ ，学习 $F(x)$ 比学习 $H(x)$ 容易，那么通过学习 $F(x)$ 来得到 $H(x)=F(x)+x$ ，这就是residual结构。