用于大规模图像识别的深度卷积网络

概述

论文地址：https://arxiv.org/pdf/1409.1556.pdf

这项研究探讨了卷积网络深度对图像识别准确性的影响。重要的是，对具有小型卷积滤波器的网络进行的评估表明，具有 16-19 个权重层的深度网络的性能优于传统配置。这些结果使得该模型在2014年ImageNet挑战赛中取得了成功，并在其他数据集上表现出色。研究人员的目标是向公众提供两个最有效的 ConvNet 模型，以促进深度视觉表示方面的研究。

导言

卷积网络（ConvNet）最近已成功用于大规模图像识别。这归功于大型图像数据集和高性能计算系统的进步。特别是，ImageNet 竞赛推动了视觉识别技术的进步。卷积网络正变得越来越普遍，人们也尝试了许多改进方法。本研究表明，卷积网络的深度非常重要，并提出了一种使用小型滤波器构建深度网络的方法。因此，构建的网络具有很高的准确性，其性能可应用于其他数据集。最后，我们向公众提供了一个最先进的模型，有望推动相关研究的发展。

建筑学

在 ConvNet 训练过程中，输入是固定大小的 224 x 224 RGB 图像，唯一的预处理是减去每个像素的平均 RGB 值。卷积层中使用了一个小型 3×3 过滤器，步距为 1 像素。空间池化由最大池化层执行。卷积层之后是三个全连接层，最后一个是用于 ILSVRC 分类的 softmax 层。所有隐藏层都具有 ReLU 非线性，网络不包括局部响应归一化。

配置

本文评估了五种卷积网络（ConvNet）配置模型（A 至 E）。这些模型基于一般设计，深度不同（A 为 11 层，E 为 19 层）。权重层数和层宽随网络深度而变化，第一层从 64 开始，每增加一个最大池化层，权重层数和层宽就增加 2 倍，最终达到 512。

表 2 列出了每种配置的参数数量。 尽管深度较大，但网络中的权重层数并不比变换较大的较浅网络中的权重层数多。

讨论

本研究对卷积网络（ConvNet）进行了重新配置，通过使用小型 3×3 过滤器而不是传统的大型感受野来提高性能。这样就能引入非线性整流层并减少参数。较小滤波器的引入提高了决策函数的可辨别性，1×1 卷积也改善了非线性。这比以前的方法更有效，在更深的网络中性能更高。

分类框架

训练

在本研究中，使用了带动量的迷你批次梯度下降法来训练 ConvNet，批次大小为 256，动量设置为 0.9。权重衰减和丢弃用于规范化，学习率逐步降低。初始权重从浅层模型开始设置，在训练深层结构时对某些层进行初始化。对图像进行随机裁剪，并添加水平翻转和 RGB 颜色偏移以增强训练集。

图像大小

本研究尝试了两种方法，一种是将 S 设置为代表 ConvNet 训练图像最小边缘的比例，另一种是将 S 设置为固定比例或随机比例。首先，模型在两个固定比例（S=256 和 S=384）下进行训练。其次，在多尺度训练中，每幅图像都被随机重新缩放，以便识别各种尺度的物体。最后，在 S=384 下训练的模型基础上建立多尺度模型，并通过随机缩放进行微调。

测试

在测试过程中，训练好的 ConvNet 对输入图像进行各向同性重缩放，然后将网络密集地应用到重缩放的测试图像上。这样，整个图像上就会出现一个类得分图，最终得出类得分。测试集被水平翻转，原始图像和翻转图像的结果取平均值。全卷积网络适用于整个图像，无需对每种作物进行重新计算，从而提高了测试效率。我们也考虑过使用多作物，但认为增加的计算时间并不能证明准确率的提高是合理的。

实施细节

该实现源自 C++ Caffe 工具箱，可在多个 GPU 上进行训练和评估。多 GPU 训练使用数据并行性，在每个 GPU 上处理批处理，计算梯度，最后求平均值。这样得出的结果与在单个 GPU 上进行的训练结果相当。在我们的实验中，我们使用了一个配备四个英伟达™（NVIDIA®）Titan Black GPU的系统，训练耗时两到三周，比现成的4GPU系统快3.75倍。

分类实验

数据集

本节展示了 ConvNet 架构在 ILSVRC-2012 数据集上取得的图像分类结果。该数据集包含 1000 类图像，分为三个集：训练集、验证集和测试集。分类性能通过两个指标进行评估：前 1 名错误和前 5 名错误，前者表示错误分类图像的百分比，后者表示在前 5 名预测中不包含正确答案的图像的百分比。

单一量表评估

首先，使用上一节所述的层配置，在单一尺度上评估各个 ConvNet 模型的性能。对于固定 S，Q = S；对于抖动 S∈[Smin,Smax]，Q = 0.5(Smin+Smax)。 结果如表 3 所示。

比较卷积神经网络（ConvNet）各种配置的实验结果表明，有无归一化层和深度的增加都会影响分类误差。误差随着深度的增加而减小，非线性变换和空间上下文捕捉也很重要。研究还表明，深度模型对大型数据集也有好处，具有小滤波器的深度网络表现更好。训练过程中的尺度抖动也很有效，有助于获得多尺度图像统计数据。

多阶段评估

在对 ConvNet 模型进行评估时，研究了测试过程中尺度抖动的影响。该技术包括将测试图像重新缩放为不同尺度，然后运行模型计算类的后验均值。为了考虑到训练和测试尺度不匹配对性能的潜在影响，在训练过程中由于尺度抖动，以固定尺度训练的模型在接近的尺寸下进行评估，并同时在大范围的尺度下进行测试。

结果表明，测试时的尺度抖动比在单一尺度下评估同一模型更能提高性能。最深的配置（D 和 E）显示出最好的性能，表明比例抖动比使用固定的最小边 S 进行训练更有益。

评估多种作物

表 5 比较了高密度 ConvNet 评估和多作物评估，并通过平均 softmax 输出检验了两种方法的互补性。当使用多作物时，性能略好，而两者的组合则优于对方。这被认为是由于处理了不同的卷积边界条件。

COMBNET 融合

在本实验中，不同 ConvNet 模型的输出被组合在一起，通过互补来提高性能。结合不同模型后，ILSVRC 测试误差为 7.3%。仅将两个最佳多尺度模型组合起来，误差就降低到了 6.8%，而最佳单一模型的误差为 7.1%。

与最新技术的比较

在 ILSVRC-2014 的分类任务中，作者的深度 ConvNet 明显优于上一代模型，使用七个模型的集合将错误率降低到 6.8%。这使得深度 ConvNet 在 ILSVRC-2012 和 ILSVRC-2013 比赛中取得了最佳成绩，大大超过了竞争对手的参赛作品。特别是，两个模型的组合取得了最佳成绩，与许多其他模型相比，它以更少的资源实现了更高的性能。

结论

该研究评估了大规模图像分类中的深度卷积网络（最多 19 层）。 使用传统的 ConvNet 架构，在 ImageNet Challenge 数据集上取得了最先进的性能，表明随着深度的增加，表示深度有助于提高分类准确性。该模型还适用于广泛的任务和数据集，其性能不亚于或优于基于浅层图像表征的复杂识别管道。这再次证明了深度在视觉表示中的重要性。