VGG Net 论文细读

论文地址：《Very Deep Convolutional Networks for Large-Scale Image Recognition》
思维导图：https://mubu.com/explore/5JnjDt1vIng

---

一、背景

LSVRC：大规模图像识别挑战赛

ImageNet Large Scale Visual Recognition Challenge 是李飞飞等人于2010年创办的图像识别挑战赛，自2010起连续举办8年，极大地推动计算机视觉发展。比赛项目涵盖：图像分类(Classification)、目标定位(Object localization)、目标检测(Object detection)、视频目标检测(Object detection from video)、场景分类(Scene classification)、场景解析(Scene parsing)。

VGG Net由牛津大学的视觉几何组（Visual Geometry Group）参加2014年ILSVRC提出的网络模型，它主要的贡献是展示了卷积神经网络的深度（depth）是算法优良性能的关键部分。

二、Abstract

Q1：做了什么？

研究了“卷积网络的深度”在大规模的图像识别环境下对准确性的影响（即神经网络的深度与其性能之间的关系）。

Q2：怎么做的？

使用一个非常小的卷积核对网络深度进行评估，评估发现将网络深度加至16层-19层，性能有了显著提升。

Q3：做得怎么样？

在ImageNet Challenge 2014竞赛中，定位赛道获得第一名，分类赛道获得第二名。

三、Architecture

论文提出了多种规模的网络架构（不同规模深度不尽相同），下图为其中性能表现良好的网络架构之一：VGG16结构图。

VGG16结构图

1、输入

1. 规格：3@224x224（3个通道，宽高像素均为224）；
2. 唯一的预处理操作：计算出3个通道的平均值，在每个像素上减去平均值（处理后迭代更少，收敛更快）；

2、卷积

1. 大部分网络架构使用非常小的3x3卷积核贯穿整个网络；
2. 部分网络架构除了3x3卷积核之外还使用了1x1卷积核；
3. 卷积层步长（stride）=1，3x3卷积核的填充（padding）=1；
4. 所有隐藏卷积层都配备了ReLU非线性激活。

3、池化

1. 整个网络架构的池化总共由5个“MAX池化层”实现；
2. 池化操作在一系列卷积操作之后执行；
3. 池化窗口为2x2，步长=2。

4、分类器

所有卷积操作之后跟有3个全连接层（FC层）：

1. 前2个FC层：均为4096通道；
2. 最后1个FC层：1000个通道；
3. 全连接层之后是SoftMax分类器。

四、Dicussion

所有的ConvNet配置如图所示，VGG结构全部都采用较小的卷积核（3x3，部分1x1）：

ConvNet配置

1、3x3卷积核的作用（优势）

两个3×3的卷积层串联相当于1个5×5的卷积层（二者具有等效感受野5x5），3个串联的3×3卷积层串联的效果相当于一个7×7的卷积层；

下图展示了为什么“两个3x3卷积层”与“单个5x5卷积层”具有等效的5x5的感受野。

等效感受野

1）作用1：减少网络层参数

1. 对于两个3x3卷积核，所用的参数总量为（假设通过padding填充保证卷积层输入输出通道数不变）；
2. 对于单个5x5卷积核，参数量为；
3. 参数量减少了。

2）作用2：增加更多的非线性变换

2个3x3卷积层拥有比1个5x5卷积层更多的非线性变换（前者可以使用两次ReLU激活函数，而后者只有一次），使得卷积神经网络对特征的学习能力更强。

2、1x1卷积核的作用

1）作用1：降低运算量

不影响输入输出的维度情况下（即图片宽高尺寸不变），降低了大量运算，同时改变了维度（通道数）；

2）作用2：提高非线性

卷积之后再紧跟ReLU进行非线性处理，提高决策函数的非线性。

五、Classification Framework

1、训练

1）参数设置

1. 使用了mini-batch的梯度下降法（带有冲量），batch_size设为256，冲量设为0.9；
2. 前两个FC层使用了dropout（失活概率为0.5），用来缓解过拟合；
3. 训练通过权重衰减（L2惩罚乘子设定为）进行正则化；
4. 学习率初始化为0.01
   • 当验证集准确率稳定时，学习率减少为原来；
   • 整个训练过程，学习率总共降低3次，学习在37万次迭代后停止（74个epochs）。

2）预训练

1. 先训练较浅的网络A，A收敛之后呢，将A的网络权重保存下来；
2. 再复用A网络的权重来初始化后面的几个复杂模型
   • 只对“前四个卷积层”、“后三层全连接层”复用A的网络权重，其它的中间层都是随机初始化；
     • 随机初始化，均值是0，方差是0.01，bias是0。

3）多尺度训练

Q1：什么是多尺度训练（Multi-scale）？

详见：https://www.cnblogs.com/xxxxxxxxx/p/11629657.html

通俗点讲，就是将一张图片先进行等比例缩放到不同尺寸（实现1张图片变多张图片），再在缩放后的图片中随机裁剪出指定尺寸区域得到更多的图像。

就这样，实现了训练集的数据增强。

Q2：作用是什么？

数据增强，有利于预防过拟合。

Q3：步骤是什么？

1. 步骤1：将原始图像缩放到不同尺寸S；
   • Q：S设为多大合适呢？（两种解决方法A1、A2）
     • S过小，裁剪到224x224的时候，就相当于几乎覆盖了整个图片，这样对原始图片进行不同的随机裁剪得到的图片就基本上没差别，就失去了增加数据集的意义；
     • S过大，，裁剪到的图片只含有目标的一小部分，也不是很好。
   • A1：单尺度训练（将S设为一个固定值）
     • 论文评估了S=256和S=384两种单尺度模型；
   • A2：多尺度训练（将S设为一个区间）
     • 论文随机从[256，512]的区间范围内进行抽样，这样原始图片尺寸不一，有利于训练，这个方法叫做尺度抖动（scale jittering），有利于训练集增强。
2. 步骤2：从缩放后的图片随机裁剪224x224区域的图片；
3. 步骤3：对裁剪后的图片进行水平翻转和随机RGB色差调整（改变训练图像中 RGB 通道的强度）；

2、测试

测试阶段与训练阶段主要有两点不同：

1. 对于测试集同样采用Multi-scale，将图像缩放到尺寸Q，但是Q可以≠训练尺度S；
2. 将“FC全连接层”转换为“等效卷积层”
   • 第一个FC层转为“7x7卷积层”；后两个FC层均转为“1x1卷积层”；
   • 为什么要可以进行转换？
     • 详见：https://blog.csdn.net/qq_31347869/article/details/89484343
   • 转换的作用是什么？
     • ①可以实现与FC层同样的效果（即可以获得与FC层相同的输入输出）；
     • ②去除了FC层必须要求“输入图像尺寸固定”的限制条件（详见：https://blog.csdn.net/qq_31347869/article/details/89484343

六、Classification Experiments

1、Single Scale Evaluation

1. 若S采用单尺度，设Q=S；若S采用多尺度，设;
2. 通过“A-LRN”证明，网络中加入LRN没什么用；
3. 通过比较A-E的“top-1 val.error”和“top-5 val.error”发现，网络深度越深，训练性能越好，且深度达19层时，性能趋于饱和；
4. 通过比较D和C，证明3x3卷积效果优于1x1卷积；
5. 通过将“B”和“带有5x5卷积的浅层网络”，发现两个3x3卷积效果优于单个5x5卷积（即使二者具有等效的感受野）；
6. 通过比较单尺度S和多尺度S，发现尺度抖动有利于训练集数据增强。

在单测试尺度的ConvNet性能

2、Multi-Scale Evaluation

1. 保持S为单尺度（），查看多尺度Q的性能（）；
2. 令S为多尺度（），查看多尺度Q的性能（）；
3. 证明测试时的尺度抖动导致了更好的性能。

在多个测试尺度上的ConvNet性能

3、Multi-Crop Evaluation

1. 将“稠密评估”与“多裁剪图像评估”进行比较；
2. 通过平均其soft-max输出来评估两种评估技术的互补性；
3. 证明了使用多裁剪图像表现比密集评估略好，而且这两种方法确实是互补的（因为它们的组合优于其中的每一种）。

ConvNet评估技术比较

4、Convnet Fusion

1. 查看多个卷积网络融合结果；
2. ILSVRC提交的是单规模网络；post-提交的是多规模网络；
3. 表现最好的多尺度模型（配置D和E）的组合，它使用密集评估将测试误差降低到7.0％，使用密集评估和多裁剪图像评估将测试误差降低到6.8％。

多个卷积网络融合结果

---

七、我的总结

VGGNet网络特点：

1. 层数深（VGG拥有5段卷积，每段卷积内包含2-3个卷积层），同时每段尾部配有最大池化层，适用于大型数据集；
2. 网络简洁，使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）贯穿整个网络架构；
3. 采用“几个小滤波器（3x3）卷积层的串联组合”替代“一个大滤波器（5x5或7x7）卷积层”，效果更好；
4. 训练和测试阶段都对数据集进行了Multi-scale将图片缩放并采样，实现了数据增强；
5. 测试阶段将全连接层转换为等效卷积层，去除了FC层对输入图像尺寸的限制；
6. 采用多GPU并行训练，每个GPU处理部分数据。