學(xué)習(xí)前言

看了好多代碼呀，看了后面忘了前面，這個BLOG主要是記錄一些神經(jīng)網(wǎng)絡(luò)的改進(jìn)結(jié)構(gòu)，比如殘差結(jié)構(gòu)那種，記錄下來有助于自己設(shè)計一些輕且好的網(wǎng)絡(luò)。

1、殘差網(wǎng)絡(luò)

這個網(wǎng)絡(luò)主要源自于Resnet網(wǎng)絡(luò)，其作用是：

將靠前若干層的某一層數(shù)據(jù)輸出直接跳過多層引入到后面數(shù)據(jù)層的輸入部分。

意味著后面的特征層的內(nèi)容會有一部分由其前面的某一層線性貢獻(xiàn)。

實驗表明，殘差網(wǎng)絡(luò)更容易優(yōu)化，并且能夠通過增加相當(dāng)?shù)纳疃葋硖岣邷?zhǔn)確率。

最終可以使得網(wǎng)絡(luò)越來越深，Resnet152就是一個很深很深的網(wǎng)絡(luò)。

殘差網(wǎng)絡(luò)的典型結(jié)構(gòu)如下：

2、不同大小卷積核并行卷積

這個結(jié)構(gòu)主要是在Inception網(wǎng)絡(luò)結(jié)構(gòu)中出現(xiàn)。

Inception網(wǎng)絡(luò)采用不同大小的卷積核，使得存在不同大小的感受野，最后實現(xiàn)拼接達(dá)到不同尺度特征的融合。

不同大小卷積核并行卷積的典型結(jié)構(gòu)如下：

3、利用(1,x),(x,1)卷積代替(x,x)卷積

這種結(jié)構(gòu)主要利用在InceptionV3中。

利用1x7的卷積和7x1的卷積代替7x7的卷積，這樣可以只使用約（1x7 + 7x1) / (7x7) = 28.6%的計算開銷；

利用1x3的卷積和3x1的卷積代替3x3的卷積，這樣可以只使用約（1x3 + 3x1) / (3x3) = 67%的計算開銷。

下圖利用1x7的卷積和7x1的卷積代替7x7的卷積。

下圖利用1x3的卷積和3x1的卷積代替3x3的卷積。

4、采用瓶頸(Bottleneck)結(jié)構(gòu)

這個結(jié)構(gòu)在Resnet里非常常見，其它網(wǎng)絡(luò)也有用到。

所謂Bottleneck結(jié)構(gòu)就是首先利用1x1卷積層進(jìn)行特征壓縮，再利用3x3卷積網(wǎng)絡(luò)進(jìn)行特征提取，再利用1x1卷積層進(jìn)行特征擴張。

該結(jié)構(gòu)相比于直接對輸入進(jìn)行3x3卷積減少了許多參數(shù)量。

當(dāng)輸入為26,26,512時，直接使用3x3、filter為512的卷積網(wǎng)絡(luò)的參數(shù)量為512x3x3x512=2,359,296?。

采用Bottleneck結(jié)構(gòu)的話，假設(shè)其首先利用1x1、filter為128卷積層進(jìn)行特征壓縮，再利用3x3、filter為128的卷積網(wǎng)絡(luò)進(jìn)行特征提取，再利用1x1、filter為512的卷積層進(jìn)行特征擴張，則參數(shù)量為 512×1×1×128 + 128×3×3×128 + 128×1×1×512 =? 278,528。

可以看出來確實時下降了很多呀。

5、深度可分離卷積

深度可分離卷積主要在MobileNet模型上應(yīng)用。

其特點是3x3的卷積核厚度只有一層，然后在輸入張量上一層一層地滑動，每一次卷積完生成一個輸出通道，當(dāng)卷積完成后，在利用1x1的卷積調(diào)整厚度。

假設(shè)有一個3×3大小的卷積層，其輸入通道為16、輸出通道為32。具體為，32個3×3大小的卷積核會遍歷16個通道中的每個數(shù)據(jù)，最后可得到所需的32個輸出通道，所需參數(shù)為16×32×3×3=4608個。

應(yīng)用深度可分離卷積，用16個3×3大小的卷積核分別遍歷16通道的數(shù)據(jù)，得到了16個特征圖譜。在融合操作之前，接著用32個1×1大小的卷積核遍歷這16個特征圖譜，所需參數(shù)為16×3×3+16×32×1×1=656個。

6、改進(jìn)版深度可分離卷積+殘差網(wǎng)絡(luò)

這種結(jié)構(gòu)主要存在在Xception網(wǎng)絡(luò)中。

改進(jìn)版深度可分離卷積就是調(diào)換了一下深度可分離的順序，先進(jìn)行1x1卷積調(diào)整通道，再利用3x3卷積提取特征。

和普通的深度可分離卷積相比，參數(shù)量也會有一定的變化。

改進(jìn)版深度可分離卷積加上殘差網(wǎng)絡(luò)的結(jié)構(gòu)其實和它的名字是一樣的，很好理解。

如下圖所示：

7、倒轉(zhuǎn)殘差(Inverted residuals)結(jié)構(gòu)

在ResNet50里我們認(rèn)識到一個結(jié)構(gòu)，bottleneck design結(jié)構(gòu)，在3x3網(wǎng)絡(luò)結(jié)構(gòu)前利用1x1卷積降維，在3x3網(wǎng)絡(luò)結(jié)構(gòu)后，利用1x1卷積升維，相比直接使用3x3網(wǎng)絡(luò)卷積效果更好，參數(shù)更少，先進(jìn)行壓縮，再進(jìn)行擴張。

而Inverted residuals結(jié)構(gòu)，在3x3網(wǎng)絡(luò)結(jié)構(gòu)前利用1x1卷積升維，在3x3網(wǎng)絡(luò)結(jié)構(gòu)后，利用1x1卷積降維，先進(jìn)行擴張，再進(jìn)行壓縮。

這種結(jié)構(gòu)主要用在MobilenetV2中。

其主要結(jié)構(gòu)如下：

8、并行空洞卷積

這個結(jié)構(gòu)出現(xiàn)在Deeplabv3語義分割中。

其經(jīng)過并行的空洞卷積，分別用不同rate的空洞卷積進(jìn)行特征提取，再進(jìn)行合并，再進(jìn)行1x1卷積壓縮特征。

空洞卷積可以在不損失信息的情況下，加大了感受野，讓每個卷積輸出都包含較大范圍的信息**。如下就是空洞卷積的一個示意圖，所謂空洞就是特征點提取的時候會跨像素。

以上就是深度卷積神經(jīng)網(wǎng)絡(luò)各種改進(jìn)結(jié)構(gòu)塊匯總的詳細(xì)內(nèi)容，更多關(guān)于卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)結(jié)構(gòu)塊的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論