通用视觉框架OpenMMLab图像分类与基础视觉模型

流程

1. 收集数据

2. 定义模型

   通常为含参变量的函数: $y=F_{\Theta }(X)$

   例子: $y=\sigma \left({\Theta }^{T}X\right)$

3. 训练
   寻找最佳参数 ${\Theta }^{\ast }$ ，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 $\hat{X}$ ，用训练好的模型预测其 类别，即 $\hat{y}=F_{{\Theta }^{\ast }}(\hat{X})$

传统方法：设计图像特征(1990s~2000s)

特征工程的天花板

在ImageNet 图像识别挑战赛里，2010 和2011 年的冠军队伍都使用了经典的视觉方法，基于手工设计的特征+ 机器学习算法实现图像分类，Top-5 错误率在25% 上下。

从特征工程到特征学习

层次化特征的实现方式

AlexNet 的诞生& 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，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

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

2. 模型学习：求解一组好的参数Θ
   • 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

AlexNet (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。

特点：

• 5 个卷积层，3 个全连接层，共有60M 个可学习参数
• 使用ReLU 激活函数，大幅提高收敛速度
• 实现并开源了cuda-convnet ，在GPU 上训练大规模神经网络在工程上成为可能

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%

VGG (2014)

将大尺寸的卷积拆解为多层3×3 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。

1 层5×5 的卷积与2 层3×3 的卷积有同样的感受野

• 网络层数：11、13、16、19 层
• 3×3 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

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连接层，可节省大量参数
• 仅7M 权重参数（AlexNet 60M、VGG 138M）

精度退化问题

模型层数增加到一定程度后，分类正确率不增反降

实验的反直觉

卷积退化为恒等映射时，深层网络与浅层网络相同。所以，深层网络应具备不差于浅层网络的分类精度。

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。即，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

残差学习的基本思路

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。没有引入额外参入，让参数更有效贡献到最终的模型中

残差网络ResNet (2015)

ResNet-34 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ResNet 结构

• 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
• 单层全连接层产生类别概率

使用bottleneck 模块替换basic 模块，进一步增加每级种残差模块的个数。

• ResNet-50 3/4/6/3 94.8% / 76.6%
• ResNet-101 3/4/23/3 95.4% / 78.0%
• ResNet-152 3/8/36/3 95.5% / 78.5%

ResNet 中的两种残差模块

ResNet等同于多模型集成：残差网络有$O(2^n)$ 个隐式的路径来连接输入和输出，每添加一个块会使路径数翻倍。

残差链接让损失曲面更平滑

Loss Surface 更加平滑，更容易收敛到局部/全局最优解

ResNet 的后续改进