【OpenMMLab AI 实战营】第二课：计算机视觉之图像分类算法基础

计算机视觉之图像分类算法基础

图像分类与基础视觉模型

图像分类的任务目标：给定一张图片，识别图像中物体的类别

图像分类问题：构建一个可计算实现的函数(即将图像映射到对应的类别)
图像为:$X\in R^{H\ast W\ast 3}$
类别为:$y\in \left\{1,\dots ,k\right\}$
$F:R^{H\ast W\ast 3}\to \left\{1,\dots ,k\right\}$
难点：图像的内容与单个像素的值无关，难以遵循具体的规则设计算法

解决方法：让机器从数据中学习

1. 收集数据

2. 定义模块

   通常为含参变量的函数：$y=F_{\Theta }(X)$

   例子：$y=\sigma ({\Theta }^{T}X)$

3. 训练

   寻找最佳参数$ \Theta ^{*}$，使得模型 $y=F_{{\Theta }^{\ast }}(X)$,在训练集上达到最高正确率

4. 预测

   对于新图像$X$，用训练好的模型预测其类别，即$y=F_{{\Theta }^{\ast }}(X)$

特征工程与特征学习的区别：

层次化特征的实现方式：

AlexNet的诞生：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，一举将错误率降低至 15.3% ，而传统视觉算法的性能已经达到瓶颈，2015 年，卷积网络的性能超越人类。

图像分类的数学表示：
$$图像\stackrel{P(y\mid X)=F_{\Theta }(X)}{}概率向量\stackrel{y^{\ast }=\underset{y}{\mathrm{argmax}}(P(y\mid X))}{}类别$$

1.模型设计：设计适合图像的$F_{\Theta }(X)$

• 卷积神经网络
• 轻量化卷积神经网络
• 神经结构搜索
• Transformer

卷积神经网络

AlexNet(2012)

AlexNet:

Going Deeper(2012~2014)

VGG-19 19层 ImageNet Top-5 准确率：92.7%

GoogLeNet 22层 ImageNet Top-5 准确率：93.4%

残差网络ResNet(2015)

残差学习的基本思路：

ResNet-34 34层 ImageNet Top-5 准确率：94.4%

ResNet中的两种残差模块：

更强的图像分类模型

神经结构搜索 Neural Architecture Search (2016+)

Vision Transformers (2020+)

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 (2020)，Swin-Transformer (2021 ICCV 最佳论文)

ConvNeXt (2022)

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

轻量化卷积神经网络

卷积的参数量

• 输入特征图 $X\in R^{H\ast W\ast C}$
• 输出特征图 $Y\in R^{H^{\prime }\ast W^{\prime }\ast C^{\prime }}$
• $C^{\prime }$个$C$通道的卷积核 $K\in R^{C^{\prime }\ast K\ast K\ast C}$
• $C^{\prime }$个偏置值 $b\in R^{C^{\prime }}$

卷积层的可学习参数包括：卷积核 + 偏置值

参数量的计算公式：$C^{\prime }\ast (C\ast K\ast K+1)=C^{\prime }C{K}^2+C^{\prime }$

卷积的计算量(乘加次数)

• 输入特征图 $X\in R^{H\ast W\ast C}$
• 输出特征图 $Y\in R^{H^{\prime }\ast W^{\prime }\ast C^{\prime }}$
• $C^{\prime }$个$C$通道的卷积核 $K\in R^{C^{\prime }\ast K\ast K\ast C}$
• $C^{\prime }$个偏置值 $b\in R^{C^{\prime }}$

输出特征图每个通道上的每个值都是输入特征图和1个$C$通道的卷积核进行一次卷积的结果

乘加次数计算公式：$H^{\prime }\ast W^{\prime }\ast C^{\prime }\ast (C\ast K\ast K)=H^{\prime }{W}^{\prime }{C}^{\prime }C{K}^2$

降低模型参数量和计算量的方法：

• 降低通道数$C^{\prime }$和$C$
• 减小卷积核的尺寸$K$

参数量计算公式：$C^{\prime }\ast (C\ast K\ast K+1)=C^{\prime }C{K}^2+C^{\prime }$

乘加次数计算公式：$H^{\prime }\ast W^{\prime }\ast C^{\prime }\ast (C\ast K\ast K)=H^{\prime }{W}^{\prime }{C}^{\prime }C{K}^2$

GoogLeNet使用不同大小的卷积核

基本思路： 并不是所有特征都需要同样大的感受野，在同一层中混合使用不同尺寸的特征可以减少参数量

ResNet 使用1×1卷积压缩通道数

可分离卷积将常规卷积分解为逐层卷积和逐点卷积，降低参数量和计算量

例：MobileNet V1/V2/V3 (2017~2019)

MobileNet V1 使用可分离卷积，只有 4.2M 参数，MobileNet V2/V3 在 V1 的基础上加入了残差模块和 SE 模块

ResNeXt将ResNet中的3×3卷积改为分组卷积，降低了模型的计算量

Vision Transformer

注意力机制Attention Mechanism

实现层次化特征： 后层特征是空间邻域内的前层特征的加权求和

权重越大，对应位置的特征就越重要

实现Attention

多头注意力 Multi-head (Self-)Attention

使用不同参数的注意力头产生多组特征，沿通道维度拼接得到最终特征，Transformer Encoder 的核心模块

2.模型学习：求解一组好的参数$\Theta$

• 监督学习：基于标注数据学习
  • 损失函数
  • 随机梯度下降算法
  • 视觉模型常用训练技巧
• 自监督学习：基于无标注的数据学习

模型学习的范式：

目标： 确定模型$F_{\Theta }$的具体形式后，找到最优参数${\Theta }^{\ast }$，使得模型$F_{{\Theta }^{\ast }}(X)$给出准确的分类结果$P(y\mid X)$

监督学习

交叉熵损失 Cross-Entropy Loss

优化目标 & 随机梯度下降

动量 Momentum SGD

学习率与优化器策略

权重初始化

学习率对训练的影响

学习策略：学习率退火 Annealing

学习策略：学习率升温 Warmup

自适应梯度算法

早停 Early Stopping

数据增强

数据增强 Data Augmentation

训练泛化性好的模型，需要大量多样化的数据，而数据的采集标注是有成本的图像可以通过简单的变换产生一系列**“副本”，扩充训练数据集数据增强操作可以组合**，生成变化更复杂的图像。

组合数据增强 AutoAugment & RandAugment

组合图像 Mixup & CutMix

模型相关策略

Dropout

神经网络在训练时会出现共适应现象 (co-adaption)，神经元之间产生高度关联，导致过拟合

训练时随机丢弃一些连接，破坏神经元之间的关联，鼓励学习独立的特征；推理时使用全部连接。

常用于全连接层，通常不与 BN 混用

随机深度 Stochastic Depth

训练 ResNet 网络时，加入了随机变量 b（伯努利随机变量，只能取 0/1，取 0 的概率是 1−p，取 1 的

概率是 p），对整个 ResBlock 卷积部分做了随机丢弃。

• 如果 b = 1，则简化为原始的 ResNet 结构；

• 如果 b = 0，则这个 ResBlock 未被激活，降为恒等函数。
$$H_l=ReLu(b_l{f}_l(H_{l-1})+id(H_{l-1}))$$

自监督学习

自监督学习的常见类型

Relative Location (ICCV 2015)

基本假设：模型只有很好地理解到图片内容，才能够预测图像块之间的关系

SimCLR (ICML 2020)

基本假设：如果模型能很好地提取图片内容的本质，那么无论图片经过什么样的数据增强操作，提取出来的特征都应该极为相似。

对于某种图片 ，对它进行两次数据增强，得到 1 和 2

• 1 和 2 互为正样本

• 其他图片的增强结果都是 1 和 2 的负样本

Masked autoencoders (MAE, CVPR 2022)

基本假设：模型只有理解图片内容、掌握图片的上下文信息，才能恢复出图片中被随机遮挡的内容。