1、AlexNet
网络结构如下:
网络一共有8层可学习层,其中包括5层卷积层和3层全连接层
改进:
池化层均采用最大池化
选用ReLU作为非线性环节激活函数
网络规模扩大,参数数量接近6000万
出现“多个卷积层+一个池化层”的结构
普遍规律:随网络深入,宽、高衰减,通道数增加
2、VGG-16
网络结构:
改进:
网络规模进一步增大,参数数量约为1.38亿
由于各卷积层、池化层的超参数基本相同,整体结构呈现出规整的特点。
普遍规律:随网络深入,高和宽衰减,通道数增多。
3、残差网络
优势:
梯度消失问题:
残差网络构建:
4、常用数据集
(1)MNIST
MNIST数据集是由0〜9手写数字图片和数字标签所组成的,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片。
(2)Fashion-MNIST数据集
FashionMNIST 是一个替代 MNIST 手写数字集 的图像数据集。它是由 Zalando旗下的研究部门提供,涵盖了来自 10 种类别的共 7 万个不同商品的正面图片。
FashionMNIST 的大小、格式和训练集/测试集划分与原始的MNIST 完全一致。60000/10000 的训练测试数据划分,28x28的灰度图片。你可以直接用它来测试你的机器学习和深度学习算法性能,且不需要改动任何的代码。
(3)CIFAR 10数据集
CIFAR 10数据集由10个类的60000个32x32彩色图像组成,每个类有6000个图像。有50000个训练图像和10000个测试图像。数据集分为五个训练批次和一个测试批次,每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。
(4)PASCAL VOC数据集
PASCAL的全称是Pattern Analysis,Statistical Modelling and Computational Learning,VOC的全称是Visual Object Classes。目标分类(识别 )、检测、分割最常用的数据集之一。第一届PASCAL VOC举办于2005年,2012年终止。常用的是PASCAL 2012。一共分成20类:person、bird,cat,cow,dog,horse,sheep、aeroplane,bicycle,boat,bus,car,motorbike,train、bottle,chair,dining table,potted plant,sofa,tv/monitor
(5)MS COCO数据集
PASCAL的全称是Microsoft Common Objects in Context,起源于微软于2014年出资标注的 Microsoft COCO数据集;数据集以scene understanding为目标,主要从复杂的日常场景中截取;包含目标分类(识别) 、检测、分割、语义标注等数据集;ImageNet竞赛停办后,COCO竞赛就成为是当前目标识别、检测等领域的一个最权威、最重要的标杆。提供的标注类别有80类,有超过33万张图片,其中20万张有标注,整个数据集中个体的数目超过150万个。
(6)ImageNet数据集
始于2009年,李飞飞与Google的合作“ImageNet: A Large-Scale Hierarchical Image Database”
总图像数据:14,197,122
总类别数:21841
带有标记框的图像数:1,034,908
(7) ISLVRC 2012子数据集
训练集:1,281,167张图片+标签
类别数:1,000
验证集:50,000张图片+标签
测试集:100,000张图片
5、数据集与评价指标
(1)算法评估
TP: 被正确地划分为正例的个数,即实际为正例且被分类器划分为正例的实例数。
FP: 被错误地划分为正例的个数,即实际为负例但被分类器划分为正例的实例数。
FN:被错误地划分为负例的个数,即实际为正例但被分类器划分为负例的实例数。
TN: 被正确地划分为负例的个数,即实际为负例且被分类器划分为负例的实例数。
P(精确率): TP/(TP+FP)
R(召回率): TP/(TP+FN)。召回率越高,准确度越低
PR曲线:
置信度与准确率:
可以通过改变阈值(也可以看作上下移动蓝色的虚线),来选择让系统识别能出多少个图片,当然阈值的变化会导致Precision与Recall值发生变化。比如,把蓝色虚线放到第一张图片下面,也就是说让系统只识别出最上面的那张飞机图片,那么Precision的值就是100%,而Recall的值则是20%。如果把蓝色虚线放到第二张图片下面,也就是说让系统只识别出最上面的前两张图片,那么Precision的值还是100%,而Recall的值则增长到是40%。
(2)AP计算
mAP:均值平均准确率
其中 代表测试集中所有图片的个数, ( )表示在能识别出 个图片的时候Precision的值,而 Δ ( )则表示识别图片个数从 −1变化到 时(通过调整阈值)Recall值的变化情况。