图像分类与基础视觉模型

图像分类与基础模型

什么是图像分类

给定一张图片，识别图像中的物体是什么~

视觉任务的难点

图像的内容是像素整体呈现出的结果，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。

机器学习的局限

1. 机器学习算法善于处理低维、分布相对简单的数据；
2. 图像数据在几十万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。

卷积神经网络

AlexNet

1. 第一个成功实现大规模图像的模型；
2. 5个卷积层，3个全连接层，共有60M个可学习的参数；
3. 使用ReLU激活函数，大幅提高收敛速度。

VGG

1. 3x3卷积配合1像素的边界填充，维持空间分辨率；
2. 每个几层倍增通道数，减半分辨率，生成1/2、1/4尺度的更高抽象层级特征；
3. 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。

GoogLeNet

1. 使用Inception模块堆叠形成；
2. 最后的分类仅使用单层全连接层，可节省大量参数。

ResNet

难题：模型层数增加到一定程度后，分类正确率不增反降；
猜想：虽然深层网络有潜力达到更高的精度，但常规的优化算法难以找到这个更优的模型，因此，可以让新增加的卷积层拟合一个近似恒等映射，恰好可以让浅层网络变好一点。
解决方案：残差建模，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的模型中。