CNN¶
1.CNN 发展历史¶
CNN 在计算机视觉的三大领域:图像识别 、目标检测、语义分割(图像分割) 有着广泛的应用.
- 1985年,Rumelhart 和 Hinton 等人提出了 BP神经网络 (Learning internal representations by error propagation, 1985), 即著名的反向传播算法训练神经网络模型,奠定了神经网络的理论基础.
- 深度学习三巨头(Yann LeCun, Geoffrey Hinton, Yoshua Bengio)之一 Yann LeCun 在 BP 神经网络提出之后三年, 发现可以用 BP 算法训练一种构造出来的多层卷积网络结构,并用其训练出来的卷积网络识别手写数字。 在 (Backpropagation applied to handwritten zip code recognition,1989) 一文中, LeCun 正式提出了 卷积神经网络(Convolutional Neural Network,CNN) 的概念.
- LeCun 正式提出 CNN 概念之后,在 1998年 提出了 CNN 的开山之作 —— LeNet-5 网络 (Gradient-based learning applied to document recognition,1998).
- 进入21世纪后,由于计算能力和可解释性等多方面的原因,神经网络的发展经历了短暂的低谷,直到 2012 年 ILSVRC 大赛上 AlexNet 一举夺魁, 此后大数据兴起,以 CNN 为代表的深度学习方法逐渐成为计算机视觉、语音识别和自然语言处理等领域的主流方法,CNN 才开始正式发展起来。
2. CNN 结构、原理¶
2.1 CNN 整体结构¶
全连接的神经网络或 DNN 中,Affine 层后面跟着激活函数 ReLU 层。最后是 Affine 层加 Softmax 层输出最终结果(概率)
- 全连接层存在的问题:
- 因为图像是3维的,这个形状应该含有重要的空间信息。比如,空间上相邻的像素为相似的值、RGB 的各个通道之间分别有密切 的关联性、相距较远的像素之间没有什么关联等
- 全连接层会忽略数据的形状,它会将输入数据作为相同的神经元(同一维度的神经元)处理,所以无法利用与形状相关的信息
一个典型的 CNN 通常包括下面这三层:
卷积层(Convolutional layer)
- CNN 相较于 DNN,其主要区别就在于 卷积层(Convolutional layer), 卷积层的存在使得神经网络具备更强的学习和特征提取能力
- 卷积层可以保持数据形状不变,当输入数据是图像时,卷积层会以 3 维数据的形式接收输入数据, 并同样以3维数据的形式输出至下一层。因此,在 CNN 中,可以正确理解图像等具有形状的数据
池化层(Pooling layer)
- CNN 中在卷积层后面会跟着一个 池化层(Pooling layer),池化层的存在使得 CNN 的稳健性更好
全连接层(Full Connected layer)
- CNN 的最后是 DNN 中常见的 全连接层(Full Connected layer)
2.2 卷积层(Convolutional layer)¶
2.2.1 卷积的数学解释¶
2.2.1.1 卷积的本质¶
数学解释
在泛函分析中,卷积也叫做 旋积 或者 褶积,是一种通过两个函数 \(x(t)\) 和 \(h(t)\) 生成的数学算子, 其计算公式如下:
连续形式
\[x(t)h(t)(\tau)=\int_{- \infty}^{+ \infty} x(\tau)h(\tau - t)dt\]离散形式
\[x(x)h(x)(\tau)=\sum_{\tau=-\infty}^{+ \infty} x(\tau)h(\tau - t)\]
两个函数的卷积就是:
卷
- 将一个函数 \(h(t)\) 进行翻转(Reverse),然后再做一个平移(Shift),得到 \(h(t-\tau)\)
积
- 将平移后的函数 \(h(x-\tau)\) 与另外一个函数 \(x(\tau)\) 对应元素相乘求和/积分
图形解释
函数 \(x(t)\) 和 \(h(t)\) 图像如下:
卷
对函数 \(h(t)\) 进行翻转(Reverse),得到 \(h(-\tau)\):
对函数 \(h(-\tau)\) 进行平移(Shift),得到 \(h(t-\tau)\) :
积
2.2.1.2 常规卷积¶
- 单通道图像(灰度图)
- 单通道卷积
- 多通道图像(RGB 图)
- 多通道卷积
2.2.1.3 3D 卷积¶
2.2.1.4 转置卷积¶
转置卷积(Transposed Convolution)也叫解卷积(Deconvolution)、反卷积。
- 在常规卷积时,每次得到的卷积特征图尺寸是越来越小的,但在图像分割等领域, 需要逐步恢复输入时的尺寸,如果把常规卷积时的特征图不断变小叫做 下采样, 那么通过装置卷积来恢复分辨率的操作可以称作 上采样。
2.2.1.5 1x1 卷积¶
2.2.1.6 深度可分离卷积¶
2.2.1.7 空洞卷积¶
空洞卷积
空洞卷积也叫扩张卷积、膨胀卷积,简单来说就是在卷积核元素之间加入一些空格(零)来扩大卷积核的的过程, 可以用一个扩张率 \(a\) 来表示卷积核扩张的程度。
\(a=1, 2, 4\) 的时候卷积核的感受野。
扩展率 \(a=2\) 时的卷积过程
加入空洞之后的实际卷积核尺寸与原始卷积尺寸之间的关系如下:
\[K = k+(k-1)(a-1)\]其中:
- \(K\) :加入空洞之后的卷积核尺寸
- \(k\) :原始卷积核尺寸
- \(a\): :卷积扩张率
空洞卷积优点
- 一个直接的作用就是可以扩大卷积感受野,空洞卷积几乎可以在零成本的情况下就可以获得更大的感受野来扩充更多信息,这有助于检测和分割任务中提高准确率。
- 另一个优点就是可以捕捉多尺度的上下文信息,当使用不同的扩展率来进行卷积核叠加时,获取的感受野就丰富多样
2.2.2 CNN 卷积定义¶
- 从数学的角度解释,卷积可以理解为一种类似于 加权运算 一样的操作。在图像处理中,针对图像的像素矩阵, 卷积操作就是用一个卷积核来逐行逐列的扫描像素矩阵,并与像素矩阵做元素相乘,以此得到新的像素矩阵, 这个过程称为
卷积(Convolutional)
. 其中
- 卷积核也叫作
过滤器
或者滤波器(filter)
- 滤波器在输入的像素矩阵上扫过的面积称为
感受野()
- 卷积层的输入输出数据称为
特征图(feature map)
- 卷积层的输入数据称为
输入特征图
- 卷积层的输出数据称为
输出特征图
2.2.3 CNN 卷积计算¶
- 在上面的图中,用一个 \(3 \times 3\) 的滤波器扫描一个 \(5 \times 5\) 的输入像素矩阵。用滤波器中每一个元素与像素矩阵中感受野内的元素进行乘积运算,可以得到一个 \(3 \times 3\) 的输出像素矩阵。这个输出的 \(3 \times 3\) 的输出像素矩阵能够较大程度地提取原始像素矩阵的图像特征,这也是卷积神经网络之所以有效的原因
- 将各个位置上滤波器的元素和输入像素矩阵的对应元素相乘,然后再求和。最后,将这个结果保存到输出的对应位置; 将这个过程在输入像素矩阵的所有位置都进行一遍,就可以得到卷积运算的输出
2.2.4 CNN 卷积步幅¶
- 应用滤波器的位置的间隔称为 步幅(Stirde)
- 滤波器移动的步幅为 1 时,即滤波器在像素矩阵上一格一格平移, 滤波器也可以以 2 个或更多的单位平移
2.2.5 CNN 卷积输出维度¶
如何确定经过卷积后的输出矩阵的维度?
假设原始输入像素矩阵中: \(shape = (n, n)\),滤波器: \(shape = (f, f)\),步幅: \(s\)
如果滤波器的步幅 \(s=1\),那么输出像素矩阵:
- \(shape = (n-f+1, n-f+1)\)
如果滤波器的步幅 \(s \geq 1\),那么输出像素矩阵:
- \(shape = \Big(\frac{(n-f)}{s+1}, \frac{(n-f)}{s+1}\Big)\)
2.2.6 CNN 卷积填充¶
问题:
- 在进行卷积运算时,原始输入像素矩阵的边缘和角落位置的像素点只能被滤波器扫描到一次, 而靠近像素中心点位置的像素点则会被多次扫描到进行卷积,这使得边缘和角落里的像素特征提取不足;
- 在 CNN 中进行卷积运算,输出数据的大小会越来越小,反复进行多次卷积运算后,某个时刻的输出大小就有可能变为 \(1 \times 1\),导致无法再应用卷积运算,为了避免这样的情况,就需要使用卷积填充(Padding), 可以使得卷积运算在保持空间大小不变的情况下降数据传给下一层
Padding 定义:
- 在进行卷积层处理之前,需要向输入数据的周围填充固定的数据(比如0),这称为 填充(Padding)
Padding 作用:
- 使用 Padding 的主要目的是为了调整输入数据的大小
- 使得输入像素矩阵中边缘和角落的像素特征可以被充分提取
- 使得卷积运算后的输出数据大小保持合适
Padding 方法:
- valid Padding
- 不填充
- same Padding
- 填充后输入和输出大小是一致的;
- 对于 \(n \times n\) 的输入像素矩阵,如果对输入像素矩阵每个边缘填充 \(p\) 个像素, \(n\) 就变成了 \(n + 2p\),最后的输出像素矩阵的形状就变成了 \(shape = ((n+2p -f)/s+ 1, (n+2p -f)/s+ 1)\)。
- 如果想让输入数据的大小与输出数据的大小相等,即 \(n+2p-f + 1 = n\),则对输入像素矩阵每个边缘 Padding 的像素个数为 \(p = (f-1)/2\)
- 综上,一般而言,滤波器的大小 \(f\) 都会选择为奇数个;
Padding 实现:
import numpy as np def zero_pad(X, pad): X_pad = np.pad(X, ((0, 0), (pad, pad), (pad, pad), (0, 0)), "constant") return X_pad np.random.seed(1) x = np.random.randn(4, 3, 3, 2) x_pad = zero_pad(x, 2) fig, ax = plt.subplots(1, 2) ax[0].set_title("x") ax[0].imshow(x[0, :, :, 0]) ax[1].set_title("x_pad") ax[1].imshow(x_pad[0, :, :, 0])
2.2.7 CNN 卷积滤波器初始化和学习¶
- 在DNN中,参数有权重和偏置,在CNN中,滤波器的参数就对应DNN中的权重,并且,CNN中也存在偏置,通常是一个标量数字;
- 在训练CNN时,需要初始化滤波器中的卷积参数,在训练中不断迭代得到最好的滤波器参数;
- 卷积层的参数通常在于滤波器,根据滤波器的带下,可以计算一个滤波器的参数数量为 \(f * f * nc\),其中 \(nc\) 是通道数量
2.2.8 CNN 三维卷积运算¶
- 3 维卷积运算的输入图像数据为 3 通道(channel)的 RGB 数据
- 2 维图像数据的卷积运算都是以高、长方向的 2
维形状为对象的,通道数为 1。
- 2 维图像数据形状为
(height, width)
- 2 维图像数据形状为
- 3
维图像数据除了高、长方向外还需要处理通道(channel)方向,通道数为
3。
- 3 维图像数据形状为
(channel, height, width)
- 3 维图像数据形状为
- 2 维图像数据的卷积运算都是以高、长方向的 2
维形状为对象的,通道数为 1。
- 3 维图像数据卷积运算
- 3维数据在通道方向上特征图增加了,通道方向上有多个特征图时,会按照通道进行输入图像数据和滤波器的卷积运算,并将结果相加,从而得到输出特征图
- 输入图像数据和滤波器的通道数要设为相同的值,并且每个通道上的滤波器形状应相同
- 输入图像形状:
(channel, input_height, input_width)
- 滤波器:
(channel, filter_height, filter_width)
- 输入图像形状:
- 3 维图像数据卷积运算输出数据形状
- 假设原始输入像素矩阵中:\(shape = (3, n, n)\),滤波器:\(shape = (3, f, f)\),步幅:\(s\),使用
same padding: 填充 \(p\) 个像素
- 输出像素矩阵:\(shape = \Big(1, \frac{(n + 2p - f)}{s + 1}, \frac{(n + 2p - f)}{s + 1}\Big)\)
- 假设原始输入像素矩阵中:\(shape = (3, n, n)\),滤波器:\(shape = (3, f, f)\),步幅:\(s\),使用
same padding: 填充 \(p\) 个像素
- 3 维卷积运算对于比较复杂的图像数据进行特征提取时,可以使用多个滤波器(filter)
- 3 维卷积层的参数数量
- 一个滤波器的参数数量为 \(f * f * nc\),其中 \(nc\) 是通道数量, \(k\) 个滤波器的参数数量为 \(f * f * nc * k\)
2.3 池化层(Pooling layer)¶
2.3.1 池化层介绍¶
- 通常在设计CNN时,卷积层后会跟着一个池化层;
- 池化层的操作类似于卷积,只是将
滤波器与感受野之间的元素相乘
改成了利用树池对感受野直接进行采样(最大/平均)
;- 池化层的参数:
- 滤波器的大小 \(f\)
- 步幅 \(s\)
- 池化层只是计算神经网路某一层的静态属性,中间没有学习过程;
2.3.2 池化层的作用¶
- 缩减模型大小,对输入矩阵的高度和宽度进行缩小;
- 提高模型计算速度;
- 提高所提取特征的稳健性;
2.3.3 池化层操作¶
- 最大池化(max pooling)
- 设置一个树池:
- \(f \times f\)的滤波器
- 步幅:\(s\)
- 将输入矩阵拆分为不同的区域
- 输出输入矩阵不同区域的最大元素值
- 平均池化(average pooling)
- 设置一个树池:
- \(f \times f\)的滤波器
- 步幅:\(s\)
- 将输入矩阵拆分为不同的区域
- 输出输入矩阵不同区域的元素值的平均值
2.4 全连接层(Full Connected layer)¶
- 池化完成之后就是标准 DNN 中的全连接层了
- 相邻层的所有神经元之间都有连接,这称为“全连接层(Full Connected layer)”,可以使用 Affine 层实现全连接层
3 CNN 图像学习过程¶
CNN的直观理解:
- 从可视化的角度观察 CNN 每一层在图像识别过程中到底都学到了什么. 2014 年 Zeiler 等人在 ECCV 上发表了一篇基于可视化角度理解 CNN
的经典论文,可谓是卷积神经网络可视化的开山之作(Visualizing and Understanding Convolutional Networks,2014)
CNN在学习过程中是 逐层对图像特征进行识别和检验 的,CNN 的不同层负责检测输入图像的不同层级的图像特征。在 CNN 中
前几层网络用于检测 图像的边缘特征,包括图像的基本轮廓
- 边缘检测的目的就是检测出图像中亮度变化和特征较为明显的点和线
中间网络层用于检测 图像中物体的部分区域
后几层网络用于检测 图像中完整的物体
CNN在计算机视觉领域的三大应用任务:
图像分类
分类
:回答一张图像中是什么的问题目标检测
分类+定位
:不仅需要回答图像中有什么,而且还得给出这些物体在图像中的位置
- 无人驾驶
- 工业产品瑕疵检测
- 医学肺部节点检测
图像分割
像素级的图像分割
- 语义分割
- 实例分割