logo

CNN 网络概览

wangzf / 2022-07-15

目录

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 反向传播算法，Back-Propagaion， 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 算法提出之后三年， 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。 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

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

CNN 整体结构

全连接的神经网络或 DNN 中，Affine 层(仿射层)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)，但是全连接层存在一些问题：

一个典型的 CNN 通常包括下面这三层：

CNN 卷积层

Convolutional layer

卷积的含义

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：

卷积的数学解释

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:

$$x(t)h(t)(\tau)=\int_{- \infty}^{+ \infty} x(\tau)h(\tau - t)dt$$

$$x(x)h(x)(\tau)=\sum_{\tau=-\infty}^{+ \infty} x(\tau)h(\tau - t)$$

两个函数的卷积就是:

所以卷积本质上就是一个 Reverse-Shift-Weighted Summation 的操作

卷积的图形解释

函数 $x(t)$ 和 $h(t)$ 图像如下:

img

img

卷积类型

因为图像有单通道图像(灰度图)和多通道图(RGB 图)，所以对应常规卷积方式可以分为单通道卷积和多通道卷积。 二者本质上并无太大差异，无非对每个通道都要进行卷积而已。 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

单通道卷积

一个标准的单通道卷积如下图所示：

img

对于单通道卷积，假设输入图像(输入特征图)维度为 $n \times n \times c = 5 \times 5 \times 1$， 滤波器维度为 $f \times f \times c = 3 \times 3 \times 1$，步长(stide)为 $s=1$，填充(padding) 大小为 $p=0$， 那么输出图像(输出特征图)维度可以计算为：

$$\Bigg(\frac{n+2p-f}{s} + 1\Bigg) \times \Bigg(\frac{n+2p-f}{s} + 1\Bigg) \times c =3 \times 3 \times 1$$

多通道卷积

img img img

3 维卷积运算的输入图像数据为 3 通道(channel)的 RGB 数据

3 维图像数据卷积运算

多通道图卷积与单通道卷机相似，比如现在有一个输入图像维度为 $5 \times 5 \times 3$ 的 RGB 3 通道图像，可以将其看成是 3 张 $5 \times 5$ 图像的堆叠， 这时候把原先的单通道滤波器乘 3，用 3 个滤波器分别对着 3 张图像进行卷积， 将卷积得到 3 个特征图加总起来便是最后结果。这里强调一点： 滤波器的通道数一定要跟输入图像的通道数一致，不然会漏下某些通道得不到卷积

现在用 $f \times f \times c = 3 \times 3 \times 3$ 的滤波器对 $n \times n \times c = 5 \times 5 \times 3$ 的输入进行卷积， 得到的输出维度为 $3 \times 3$。这里少了通道数，所以一般会用多个 3 通道滤波器来进行卷积， 假设这里用了 10 个 $3 \times 3 \times 3$ 的滤波器，那最后的输出便为 $3 \times 3 \times 10$， 滤波器的个数变成了输出特征图的通道数

img img

3D 卷积

将 2D 卷积增加一个深度维便可扩展为 3D 卷积。输入图像是 3 维的，滤波器也是 3 维的，对应的卷积输出同样是 3 维的

也可以从 3D 的角度来理解多通道卷积：可以将 $3 \times 3 \times 3$ 的滤波器想象为一个三维的立方体， 为了计算立方体滤波器在输入图像上的卷积操作，首先将这个三维的滤波器放到左上角， 让三维滤波器的 27 个数依次乘以红绿蓝三个通道中的像素数据，即滤波器的前 9 个数乘以红色通道中的数据， 中间 9 个数乘以绿色通道中的数据，最后 9 个数乘以蓝色通道中的数据。 将这些数据加总起来，就得到输出像素的第一个元素值。示意图如下所示

img

可以把 2D 卷积的计算输出公式进行扩展，可以得到 3D 卷积的输出维度计算公式。 假设输入图像大小为 $a_{1} \times a_{2} \times a_{3} \times c$，通道数为 $c$， 滤波器大小为 $f \times f \times f \times c$， 滤波器数量为 $n$，则输出维度可以表示为

$$(a_{1} - f) \times (a_{2} - f) \times (a_{3} - f) \times n$$

3D 卷积在医学影像数据、视频分类等领域都有着较为广泛的应用。 相较于 2D 卷积，3D 卷积的一个特点就是卷积计算量巨大，对计算资源要求相对较高

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, 那么通过转置卷积来恢复分辨率的操作可以称作 上采样

img img

1x1 卷积

深度可分离卷积

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

img

img

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:

空洞卷积优点:

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

卷积填充

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])

img

卷积输出维度

如何确定经过卷积后的输出矩阵的维度？

对于单通道卷积和多通道卷积，假设输入图像维度为 $n \times n \times c$， 滤波器维度为 $f\times f \times c$，卷积步长(stide)为 $s$，填充(padding) 大小为 $p$， 那么输出维度可以计算为：

$$\Bigg(\frac{n+2p-f}{s} + 1\Bigg) \times \Bigg(\frac{n+2p-f}{s} + 1\Bigg)$$

卷积滤波器初始化和学习

CNN 池化层

Pooling layer

池化层介绍

img

池化层的作用

池化层操作

CNN 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

参考