基于VggNet网络与ResNet神经网络的物体分类识别研究-附Matlab代码

✳️ 一、引言

近年来，随着计算机技术的飞速进步， 图像分类具有非常强的实际应用价值，一直是计算机视觉方向的一个重要研究课题， 图像分类是将具有相同属性的目标划分为一个类别，从分类的细致程度上分为粗粒度分类和细粒度分类两种。 早期分类类别属性差异较大的分类就是粗粒度分类，比如猫狗猴子的动物类别分类，目前粗粒度分类与人们日常生活息息相关，具有不可或缺的地位，粗粒度分类的研究还有很大发展空间。但随着技术和人们思维的发展，人们不再局限于粗粒度分类上，于是提出了细粒度图像分类这一概念，细粒度图像分类是指在识别出图像中目标物体的基础上，进行更细致类别区分，与粗粒度图像分类不同的是， 细粒度图像分类是在同一类属性的目标物体下进行类别区分，比如分类车的款式、鸟的品种、方便面的品牌等。在产品质量检测、生物多样性自动监测、智能零售、智能交通监测等方面有广泛的应用价值。

✳️ 二、VGGNet网络与ResNet网络模型

✳️ 2.1 VGG16 网络

深度卷积神经网络在细粒度图像分类任务中的应用非常普遍，常见的深度卷积神经网络有 AlexNet、 Res-Net、 VGG-Net 等。 VGG-Net 是由牛津大学的 Visual Geometry Group 于 2014 年提出。 VGG-Net 有多种配置方式例如 VGG-A、 VGG-B、 VGG-D 等。VGG-D 是 VGG-Net 中使用最普遍的配置方式， VGG-D 有 16 个权重层，其中包括13 个卷积层、 2 个全连接层和 1 个分类层，因此 VGG-D 又被称作 VGG16。本框架使用的基础神经网络是 VGG16 网络，同时 VGG16 网络也是本文的基准网络之一，本节将对 VGG16 网络展开详细的介绍，其结构如图1所示：

图1 VGG16 网络结构图示意图

如图1所示， VGG16 网络由 5 个卷积块、 2 个全连接层和 1 个分类层组成。第一个卷积块由 2 个卷积层和 1 个池化层组成， 其中每个卷积层均含有 64 个卷积核，且卷积核的尺寸分别为 3× 3× 3 和 3× 3× 64，两个卷积层的像素填充值均为 1，步长也均为 1，可知图像经第一个卷积块的 2 个卷积层提取特征后并没有改变输出特征图的尺寸。 在第一个卷积块的池化层中滑动窗口的尺寸为 2× 2，滑动步长为 2，因此经一次池化操作后特征图的尺寸缩为输入特征图的 1/2。在其余后续四个卷积块中分别有 2、 3、 3、 3 个卷积层并且每一个卷积块之后都连接一个最大池化层。第二个卷积块的 2 个卷积层均有 128 个卷积核，第三个卷积块的三个卷积层均有 256 个卷积核，第四和第五个卷积块的所有卷积层均有 512 个卷积核，并且所有卷积层的卷积核的二维平面尺寸均为 3× 3，只是不同卷积层的卷积核在深度上不同，像素填充值为 1，步长为 1，因此可知在 VGG16 网络中卷积操作均不改变特征图的尺寸，而在后续 4 个卷积块中的池化层中滑动窗口的尺寸均为 2× 2，步长均为 2，因此每经一次池化操作，特征图缩小为原来的 1/2。假设原始图像的大小为 224× 224，则截取第五个卷积块的池化层的输出得到的特征图的尺寸为 7× 7× 512。在 VGG16 网络中全连接层均有 4096 个隐藏神经元，分类层有 1000个神经元。

✳️ 2.2 ResNet-18网络

在卷积神经网络构建过程中， 选择良好的特征提取基础网络，有助于模型获得更加有效的高维语义特征，在具体的任务中取得更加良好的表现。因此，本文使用由 He等人提出，并在 ImageNet 大规模视觉识别挑战赛(ILSVRC)中获得 2015 年冠军的ResNet 网络结构作为大气光估计的基础特征提取网络。

学者们通过研究发现，随着深度学习网络层数不断加深，网络所提取的特征维度也不断增加。然而更深的网络使得反向传播的链路也在不断变长，导致最上层的梯度难以良好的传播到底层， 指导底层参数的更新， 从而出现梯度弥散导致网络无法收敛，网络出现退化的现象。 为了解决该问题， He 等人[51]在网络中引入了“shortcut”分支，该分支与原始网络组成一个基本单元，被称为残差模块，其结构如图2所示。

图2 残差结构示意图

如上图所示， 左侧为“shortcut”结构，右侧为卷积分支。 He 等人[51]认为， 如果想使前层网络不受后面层的影响，使模型变为浅层网络，那么网络后面的层需要进行恒等映射。 但是如果让深层的网络直接学习这个潜在的恒等映射H(x)= x十分困难，因此 He[2] 等人将网络设计为如下公式：

其中 x 为上一层网络的输出，即改残差模块的输入， F(x)为卷积分支的映射函数， H(x)为最终输出， +由专门的 Element-wise addition 模块完成，卷积分支会保证F(x)与 x 的输出大小和维度相同。从上式中可以看出，当 F(x)=0时，构成恒等映射H(x)= x。其残差函数的可以表示为：

He 等人[2]认为拟合残差比直接拟合函数更加容易。例如把 10 映射到 10.1，那么引入残差分支前是 F’ (10)=10.1，引入残差分支后是H(10)=10.1，H(10)= F(10)+10，F(10)=0.1。 此处的 F’ 和 H 表示对输入数据进行映射， 引入残差分支后的，可以看出对于输出变化残差结构更为敏感。比如输出从 10.0 变到 10.1，映射 F` 的输出增加了 1%，而对于残差结构 F 输出从 10.0 到 10.1，映射 H 是从0.0到0.1，增加了 100%。更大的变化使得网络参数可以进行较大的调整，由于通过“shortcut”分支去掉相同的主体部分， 突出微小的变化， 所以效果更好。

为了提高网络执行效率，采用 ResNet 网络中最轻量级的结构 ResNet-18 作为基础网络，其网络结构如所示：

图 3 ResNet-18 结构图

如上图所示， 网络在训练时输入图像为CIFAＲ-10 数据，每个卷积模块由一个 3x3 的卷积层，一个 BatchNorm 层和一个 ReLU 层组成，最后一层卷积后连接一个 Global Average Pooling层将特征尺寸改为 1x1，这样做的好处可以保证网络输入任意大小的图片。

✳️ 三、训练与实验结果

✳️ 3.1 CIFAＲ-10 数据集

该数据集共有 60 000 幅彩色图像， 分为 10 类， 每类 6000 幅图。如图3所示， CIFAＲ-10 数据集中 50000 幅用于训练， 另外10000 幅用于测试。

图34 CIFAＲ-10 数据集

✳️ 3.2 ResNet-18训练与识别结果

基于ResNet-18网络训练结果如下，在单GPU环境下训练该网络共用时41分钟。随着训练迭代次数的增强，准确率逐渐上升，Loss曲线逐渐下降。

图5 ResNet-18网络训练结果

随后，导入一幅图像进行识别，该网络模型准确识别结果为“airplane”,整个识别过程共用时1.41秒。

图6 ResNet-18识别结果

✳️ 3.3 VGG16 网络训练与识别结果

基于VGG16网络训练结果如下，在单GPU环境下训练500轮共用时26分钟。随着训练迭代次数的增强，准确率逐渐上升，Loss曲线逐渐下降。

图7 VGG16网络训练结果

同样地，导入一幅图像进行识别，该网络模型准确识别结果为“airplane”,整个识别过程共用时0.19秒。

图8 VGG16网络的识别与分类结果

✳️ 四、参考文献

[1] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition [Online], available: https://arxiv.org/abs/1409.1556, April 10, 2015

[2] He K, Zhang X, Ren S. Deep Residual Learning for Image Recognition[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015: 770-778

✳️ 五、Matlab代码获取

上述演示实例，均由Matlab代码实现，下载链接如下：

https://download.csdn.net/download/m0_70745318/87777934

---

博主简介：研究方向涉及智能图像处理、深度学习、卷积神经网络等领域，先后发表过多篇SCI论文，在科研方面经验丰富。任何与算法、程序、科研方面的问题，均可私信交流讨论。

---