經(jīng)典圖像分類算法AlexNet介紹

本期開小灶Heyro將帶領(lǐng)大家進入下一趟旅程——基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法講解，從而幫助大家了解在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下衍生出的被用于圖像分類的經(jīng)典算法。

在了解圖像分類算法以前，我們先來了解“何為圖像分類”。

圖像分類的核心是從給定的分類集合中給圖像分配一個標簽的任務(wù)。簡言之，我們需要對一個輸入圖像進行分析后返回一個對應(yīng)的分類標簽，標簽來自預先定義的可能類別集。圖像分類的任務(wù)即為正確給出輸入圖像的類別或輸出不同類別的概率。例如，我們先假設(shè)一個含有可能類別的類別集：

Categories = {cat, dog, fox}

然后，我們向分類系統(tǒng)提供一張狐貍?cè)膱D片。

經(jīng)過分類系統(tǒng)的處理，最終輸出可以是單一標簽dog，也可以是基于概率的多個標簽，例如cat:1%, dog:94%，fox:5% 。

計算機并不能像人類一樣快速通過視覺系統(tǒng)識別出圖像信息的語義。對于計算機而言，RGB圖像是由一個個像素數(shù)值構(gòu)成的高維矩陣(張量)。計算機識別圖像的任務(wù)即尋找一個函數(shù)關(guān)系，該函數(shù)可將高維矩陣信息映射到一個具體的類別標簽中。利用計算機實現(xiàn)圖像分類目的過程隨即衍生出圖像分類算法。

圖像分類算法的起源——神經(jīng)認知機

傳統(tǒng)的圖像識別模型一般包括：底層特征學習>特征編碼>空間約束>分類器設(shè)計>模型融合等幾個流程。

2012年Alex Krizhevsky提出的CNN(卷積神經(jīng)網(wǎng)絡(luò))模型在ImageNet大規(guī)模視覺識別比賽(ILSVRC)中脫穎而出，其效果大大超越了傳統(tǒng)的圖像識別方法，該模型被稱為AlexNet。

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法起源最早可追溯到日本學者福島邦彥提出的neocognition(神經(jīng)認知機)神經(jīng)網(wǎng)絡(luò)模型。

福島邦彥于1978年至1984年研制了用于手寫字母識別的多層自組織神經(jīng)網(wǎng)絡(luò)——認知機。福島邦彥在認知機中引入了最大值檢出等概念。簡言之，當網(wǎng)格中某種神經(jīng)元損壞時，該神經(jīng)元立即可由其他神經(jīng)元來代替。由此一來，認知機就具有較好的容錯能力。

但是，認知機的網(wǎng)絡(luò)較為復雜，它對輸入的大小變換及平移、旋轉(zhuǎn)等變化并不敏感。雖然它能夠識別復雜的文字，但卻需要大量的處理單元和連接，這使得其硬件實現(xiàn)較為困難。

而福島邦彥在1980年提出的“神經(jīng)認知機”神經(jīng)網(wǎng)絡(luò)模型卻能夠很好地應(yīng)對以上問題。

該模型借鑒了生物的視覺神經(jīng)系統(tǒng)。它對模式信號的識別優(yōu)于認知機。無論輸入信號發(fā)生變換、失真，抑或被改變大小等，神經(jīng)認知機都能對輸入信號進行處理。但是，該模型被提出后一直未受到較大關(guān)注，直至AlexNet在ILSVRC中大獲全勝，卷積神經(jīng)網(wǎng)絡(luò)的潛力才為業(yè)界所認知。

深度學習算法

自AlexNet之后，深度學習的發(fā)展極為迅速，網(wǎng)絡(luò)深度也在不斷地快速增長，隨后出現(xiàn)了VGG(19層)、GoogleNet(22層)、ResNet(152層)，以及SENet(252層)等深度學習算法。

隨著模型深度和結(jié)構(gòu)設(shè)計的發(fā)展，ImageNet分類的Top-5錯誤率也越來越低。在ImageNet上1000種物體的分類中，ResNet的Top-5錯誤率僅為3.57%。在同樣的數(shù)據(jù)集上，人眼的識別錯誤率約為5.1%，換言之，目前深度學習模型的識別能力已經(jīng)超過了人眼。

在卷積神經(jīng)網(wǎng)絡(luò)的歷史上，比較有里程碑意義的算法包括AlexNet、VGG、Inception (GoogleNet是Inception系列中的一員)，以及ResNet。

在本期開小灶中，我們將首先為大家介紹經(jīng)典圖像分類算法AlexNet。

AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)

作為G. Hinton代表作的AlexNet是深度學習領(lǐng)域最重要的成果之一。下面讓我們一起從左到右依次認識這個結(jié)構(gòu)。

在AlexNet網(wǎng)絡(luò)結(jié)構(gòu)(如下圖所示)中，輸入為一個224×224大小的RGB圖像。

AlexNet網(wǎng)絡(luò)結(jié)構(gòu)

第一層卷積，用48個11×11×3的卷積核計算出48個55×55大小的特征圖，用另外48個11×11×3的卷積核計算出另外48個55×55大小的特征圖，這兩個分支的卷積步長都是4，通過卷積把圖像的大小從224′224減小為55×55。第一層卷積之后，進行局部響應(yīng)歸一化 (LRN) 以及步長為2、池化窗口為3×3的最大池化，池化輸出的特征圖大小為27×27。

第二層卷積，用兩組各128個5×5×48的卷積核對兩組輸入的特征圖分別進行卷積處理，輸出兩組各128個27×27的特征圖。第二層卷積之后，做局部響應(yīng)歸一化和步長為2、池化窗口為3×3的最大池化，池化輸出的特征圖大小為13×13。

第三層卷積，將兩組特征圖合為一組。采用192個3×3×256的卷積核對所有輸入特征圖做卷積運算，再用另外192個3×3×256的卷積核對所有輸入特征圖做卷積運算，輸出兩組各192個13×13的特征圖。

第四層卷積，對兩組輸入特征圖分別用192個3×3×192的卷積核做卷積運算。

第五層卷積，對兩組輸入特征圖分別用128個3×3×192的卷積核做卷積運算。第五層卷積之后，做步長為2、池化窗口為3×3的最大池化，池化輸出的特征圖大小為6×6。

第六層和第七層的全連接層都有兩組神經(jīng)元(每組2048個神經(jīng)元)。

第八層的全連接層輸出1000種特征并送到softmax中，softmax輸出分類的概率。

AlexNet 技術(shù)創(chuàng)新點

相較于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)而言，AlexNet的技術(shù)創(chuàng)新體現(xiàn)在四個方面。

其一為Dropout(隨機失活)。Dropout于2012年由G. Hinton等人提出。該方法通過隨機舍棄部分隱層節(jié)點來緩解過擬合。目前，Dropout已經(jīng)成為深度學習訓練常用的技巧之一。

使用Dropout進行模型訓練的過程為：a. 以一定概率隨機舍棄部分隱層神經(jīng)元，即將這些神經(jīng)元的輸出設(shè)置為0;b.一小批訓練樣本經(jīng)過正向傳播后，在反向傳播更新權(quán)重時不更新其中與被舍棄神經(jīng)元相連的權(quán)重;c. 恢復被刪除神經(jīng)元，并輸入另一小批訓練樣本;d. 重復步驟a ~ c ，直到處理完所有訓練樣本。

其二為LRN(局部響應(yīng)歸一化)。LRN對同一層的多個輸入特征圖在每個位置上做局部歸一化，從而提升高響應(yīng)特征并抑制低響應(yīng)特征。LRN的輸入是卷積層輸出特征圖經(jīng)過ReLU激活函數(shù)后的輸出。但近年來業(yè)界發(fā)現(xiàn)LRN層作用有限，因此目前使用LRN的研究并不多。

其三是Max Pooling(最大池化)。最大池化可以避免特征被平均池化模糊，從而提高特征的魯棒性。在AlexNet之前，很多研究用平均池化;從AlexNet開始，業(yè)界公認最大池化的效果比較好。

其四是ReLU激活函數(shù)。在AlexNet之前，常用的激活函數(shù)是sigmoid和tanh。而ReLU函數(shù)很簡單，我們在之前的開小灶中為大家講解過ReLU激活函數(shù)的特征，即輸入小于0時輸出0，輸入大于0時輸出等于輸入?？此品浅：唵蔚腞eLU函數(shù)卻在訓練時帶來了非常好的效果，這是業(yè)界在AlexNet之前未曾料想到的。AlexNet在卷積層和全連接層的輸出均使用ReLU激活函數(shù)，從而有效提高訓練時的收斂速度。

AlexNet通過把看似平凡的技術(shù)組合起來取得了驚人的顯著效果。

正是由于AlexNet采用了深層神經(jīng)網(wǎng)絡(luò)的訓練思路，并輔以ReLU函數(shù)、Dropout及數(shù)據(jù)擴充等操作，使得圖像識別真正走向了與深度學習結(jié)合發(fā)展的方向。

原文標題：基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法講解

文章出處：【微信公眾號：機器視覺智能檢測】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

審核編輯：湯梓紅