计算机视觉网络,计算机视觉面试之经典分类网络

一、AlexNet

共有5层卷积，3层全连接。

相比于传统的CNN，重要的改动有：

1. 数据增强：图像裁剪(crop)，水平翻转；颜色、光照变换(使用PCA对每个像素点RGB分别加一个数)。

2. Dropout：以一定概率使神经元的输出为0，减少过拟合。

3. ReLU：方便计算，求导容易，使网络变得稀疏(类似L1正则)，能够更快的学习。

4. Local Response Normalization：局部响应归一化，利用临近的数据做归一化。贡献了1.2%的Top-5正确率。

5. Overlapping Pooling：即Pooling的步长比Pooling Kernel小。贡献了0.3%的Top-5正确率。

6. 多GPU学习。

二、VGGNet

在ILSVRC上定位方面获得第一名，分类获得第二名(第一被GoogLeNet拿去了)。

为了解决初始化(权重初始化)等问题，VGG采用的是一种Pre-training的方式，这种方式在经典的神经网络中经常见得到，就是先训练一部分小网络，然后再确保这部分网络稳定之后，再在这基础上逐渐加深。上表从左到右体现的就是这个过程，并且当网络处于D阶段的时候，效果是最优的，因此D阶段的网络也就是最后的VGGNet啦！

相比于AlexNet最大的改进是用小size的Filter代替大size的Filter。两个3*3的卷积核代替5*5的卷积核，三个3*3代替7*7。多个小尺度的卷积核比大尺度的卷积核非线性更强，同时参数减少，不容易过拟合。

三、GoogLeNet

该模型的创新在于Inception，这是一种网中网的结构，即原来的结点也是一个网络。Inception一直在不断发展，目前已经V2、V3、V4了。Inception的结构中1*1卷积主要用来降维。用了Inception之后整个网络结构的宽度和深度都可扩大，能够带来2-3倍的性能提升。

对Inception的结构做以下说明：

1. 采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合。

2. 之所以卷积核大小采用1、3和5，主要是为了方便对齐。设定卷积步长stride=1后，只要分别设定pad=0、1、2，那么卷积后便可以得到相同维度的特征，然后这些特征就可以直接拼接在一起了。

3 . 文章说很多地方都表明pooling挺有效，所以Inception里面也嵌入了。

4 .网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。

5. 使用5x5的卷积核仍然会带来巨大的计算量。为此，文章借鉴NIN，采用1x1卷积核来进行降维。 例如：假定上一层的输出为100x100x128，经过具有256个5x5卷积核的卷积层处理之后(stride=1，pad=2)，输出数据为100x100x256，其中，卷积层的参数为128x5x5x256。假如上一层输出先经过具有32个1x1卷积核的卷积层，再经过具有256个5x5卷积核的卷积层，那么最终的输出数据仍为为100x100x256，但卷积层参数量已经减少为128x1x1x32 + 32x5x5x256，大约减少了4倍。

此外，该模型最后采用了average pooling来代替全连接层。但是，实际在最后还是加了一个全连接层，主要是为了方便以后大家finetune。

四、ResNet

残差块：神经网络生成结果加上输入才是最终输出

训练细节

五、ResNeXt

右侧结构很像Inception，而Inception网络的一个动机就是通过稀疏连接近似成large and dense layers。但是Inception中的参数在新数据集上泛化性能不是特别好，会有一堆超参数需要设计。

而ResNeXt将Inception和ResNet很好的结合，跟同期的Inception-ResNet不同，ResNeXt在每个path都采用相同的设计(相同的参数)，泛化性能很好。

虽然总的通道数增多，但是总参数数量相同