OpenMMLab 实战营打卡 - 第 2 课

一 什么是图像分类

给定一张图片，识别图像中的物体是什么。

1.1 问题的数学表示

图像是像素构成的数组，对类别进行编号，图像分类问题就是 构建一个可计算实现的函数，通过模型训练，拟合这个函数关系。

1.2 视觉任务的难点

图像的内容是像素整体呈现出来的结果，和个别像素的值没有直接关联，难以遵循具体的规则设计算法，需要对全局图片的像素值投喂进计算机，让计算机看懂全局。像上面的图一样，把一张图片转换为tensor的形式。

1.3 视觉任务一般流程

对数据进行处理

收集数据

定义模型

训练模型 寻找最佳参数

最后就是应用模型了。

二 机器学习识别图像的局限性

机器学习算法善于处理低维度，分布相对简单的数据，图像数据在十几万维的空间中以复杂的方式“缠绕”在一起常规的机器学习算法难以处理这种复杂数据分布。

2.1 传统方法：设计图像特征（1990-2000）

方向梯度直方图：在局部区域统计像素梯度的方向的分布，将图像映射成一个相对低维的特征向量，同时能够保留有用信息。

2.2 特征工程的天花板

在ImageNet图像识别挑战赛中，2010和2011年的冠军队伍都使用了经典的视觉算法，基于手工设计特征+机器学习算法实现图像分类。受限于人类的智慧，手工设计特征更多局限在像素层面的计算，丢失信息过多，在视觉任务三的性能达到瓶颈。
下面看如下图，特征工程 到 特征学习

卷积 实现一步特征提取，特征和图像一样具有二维空间结构，后层特征为空间领域内前层特征的加权求和。（卷积神经网络）

多头注意力 实现一步特征提取。（Transformer）

三 深度学习时代的开始

在2012年的竞赛中，来自多伦多大学的团队首次使用深度学习方法，在ImageNet中错误率降低至15.3%，而传统视觉算法的性能达到瓶颈，2015年，卷积网络的性能超越人类。

3.1 AlexNet网络（2012）

• 第一个成功实现大规模图像的模型，在ImageNet数据集上达到85%的Top-5准确率
• 五个卷积层，3个全链接层，共有60M个可学习参数
• 使用ReLU函数激活，大幅度提高收敛速度
• 实现并开源了cuda-convnet，在GPU上训练大规模神经网络在工程上称为可能
  AlexNet论文: ImageNet Classification with Deep Convolutional Neural Networks
  

3.2 VGG（2014）

将大尺寸的卷积拆解为多层3X3的卷积
相同的感受野、更少的参数量、更多的层数和表达能力
一层 5X5的卷积与两层3X3的卷积有同样的感受野

• 网络层数：11，13，16，19
• 3X3的卷积配合1像素的边界填充，维持空间分辨率
• 每隔几层倍增通道数、减半分辨率，生成1/2、1/4尺度的更高抽象层级的特征
• 不同层次的特征在尺寸上有简单的比例关系，方便在位置敏感的下游任务中使用，如检测、分割等
  VGG论文: [1409.1556] Very Deep Convolutional Networks for Large-Scale Image Recognition
  

3.3 GoogLeNet（Inception V1，2014）

• 使用inception模块堆叠形成，22个可学习层
• 最后的分类仅使用单层全链接，可节省大量参数
• 仅7M权重参数（AlexNet60M，VGG 138M）
  但是 模型层数增加到一定程度后，分类正确率不增反降

3.4 残差学习（ResNet）

思路：让新增加的层拟合浅层网络与深层网络之间的差异，更容易学习梯度可以直接回传到浅层网络监督浅层网络的学习，没有引入额外参数，让参数更有效贡献到最终模型。

3.4.1 ResNet34

34层ImageNet Top-5准确率 94.4%

• 5级，每级包含若干残差模块，不同残差模块个数不同
• 每级输出分辨率减半，通道倍增
• 全局平均池化，压缩空间维度
• 单层全链接产生类别概率

四 更强的图像分类模型

神经结构搜索

基本思路：借助强化学习等个方法搜索表现最佳的网络
代表工作：NASNet（2017）MnasNet（2018）EfficientNet（2019）RegNet（2020）等

Vision Transformers

基本思路：使用Transformer替代卷积网络实现图像分类，使用更大的数据集训练，达到超越卷积网络的精度
代表工作：Vision Transformer，Swin-Transformer

ConvNeXt

将Swin Transformer的模型元素迁移到卷积网络中，性能反超Transformer