[人工智能]目标检测学习笔记7——GoogleNet学习与论文解读

一、引言

GoogleNet是2014年分类任务与检测任务的冠军得主。设计的初衷是为了提高在网络里面的计算资源的利用率。
该网络权衡了算法效率即精确率和内存占用。

众所周知，获得高质量模型最保险的做法是：增加模型深度（层数）或宽度（层核或神经元个数），但一般情况下，更深或更宽的网络会出现：

1. 参数过多，易过拟合；若训练集有限，这个问题更突出
2. 网络越大，计算复杂度越大，难以应用
3. 网络越深，越容易梯度消失，难以优化模型

GoogleNet网络关键点：

1. 保证算力的情况下加大深度与宽度
2. 宽度：利用Inception结构同时执行多个网络结构
3. 深度：利用辅助分类器防止梯度消失
4. 多尺度训练和预测

二、Inception结构

首要需要解决的问题是参数问题：

• 参数越多—>计算压力更大—>需要的计算资源多
• 参数越多—>模型越大—>越容易过拟合
• 模型越大—>所需训练数据越多—>但高质量的数据很宝贵

GoogleNet认为根本方法是将全连接层甚至一般卷积都转化为稀疏连接。传统的网络使用了随机稀疏连接，而计算机软硬件对非均匀稀疏数据的计算效率很低。基于保持神经网络结构的稀疏性，又能充分利用密集矩阵的高性能出发点，依据将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，GoogleNet给出两个解决方案：

1. 深度方面，22层，2个辅助分类器避免梯度消失。
2. 采用Inception结构，这是一个网中网结构。

提出Inception结构，降低参数量：

1. 用全局平均池化层代替全连接层（VGG90%的参数量来自全连接层）
2. 使用大量1×1卷积核

Inception结构如下图所示，左图是原始版本，右图是降维版本：

1.原始版本

原始版本就是将上一层的输出作为输入，分别进行3个不同大小的卷积和1个最大池化，将四个输出拼接在一起作为整体的输出。

1. 采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合；
2. 之所以卷积核大小采用1、3和5，主要是为了方便对齐。设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么卷积之后便可以得到相同长宽的特征，然后这些特征就可以直接拼接在一起了；
3. 文章说很多地方都表明pooling挺有效，所以Inception里面也嵌入了。
4. 网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。

但这个原始版本会有缺点：

• pooling分支的输出和输入维度完全相同，拼接之后会导致输出的维度越来越大；
• 上一个问题会导致后面3×3、5×5的计算量很大（因为输入维度很大的话，这两个卷积的卷积参数量会很大）

所以延伸出了降维结构。

2.降维版本

降维版本就是在原始版本的基础上，在3×3卷积、5×5卷积前面加了1×1卷积降维，在最大池化后进行降维，则可弥补原始版本的缺陷。好处如下：

1. 在3×3、5×5之前加1×1降维，使维度变得可控，减少后面的计算量（即使被降维成低维度也可以包含大量的信息）
2. 加入1×1后的ReLU激活函数可以增强网络的非线性表达能力
3. 此结构可以提取多尺度特征（因为卷积核的尺度不一样）
4. 比没有Inception结构的网络快2~3倍（因为提高了计算性能）

3.两个版本参数比较

假设输入28×28×192：

• 1×1卷积：pad=0,stride=1,输出28×28×64；
• 3×3卷积：pad=1,stride=1,输出28×28×128；
• 5×5卷积：pad=2,stride=1,输出28×28×32；
• 3×3最大池化：pad=1,stride=1,输出28×28×192;
• 堆叠一起后：28×28×（64+128+32+192)=28×28×416。

参数量：
1×1×192×64+3×3×192×128+5×5×192×32=153600

输入28×28×192：

• 1×1卷积：pad=0,stride=1,输出28×28×64；
• 1×1卷积+3×3卷积：pad=1,stride=1,输出28×28×128；
• 1×1卷积+5×5卷积：pad=2,stride=1,输出28×28×32；
• 3×3最大池化+1×1卷积：pad=1,stride=1,输出28×28×32;
• 堆叠一起后：28×28×（64+128+32+32)=28×28×256。

参数量：
1×1×192×64+（1×1×192×96+3×3×96×128）+（1×1×192×16+5×5×16×32）+1×1×192×32=163328

虽然参数量在这一层结构有少量的提升，但是可以大大降低后面层的参数量，因此整体参数是下降的。

4. 1×1卷积的作用

1. 用于降维，以打破计算瓶颈，否则网络规模受限，因此既可以加深又可以加宽，而不造成明显的性能下降。
2. 1×1卷积层后的激活函式可以增加网络的非线性表达能力

三、GoogleNet网络结构

如下图与下表所示，GoogleNet总共具有22层，9个inception mudule。

1.前几层

在最开始的几层没为什么没有使用inception结构是因为:

最开始的输入特征映射尺度通常很大，使用单独的卷积层和池化层能降低特征映射大小，减少参数，防止过拟合。

2.辅助分类器

在4(a)和4(d)的输出，添加了两个辅助分类器。
这些分类器采用较小的卷积网络形式，训练过程中，他们的偏差以0.3的权重加到总偏差中。在预测过程中无用。

目的：

1. 增加低层网络的分类能力
2. 防止梯度消失
3. 增加正则化

四、总结

1. 采用不同大小的卷积核，意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合
2. 卷积核大小1，3，5，设定stride=1，pad=0,1,2。则可以得到相同维度的特征，拼接在一起。
3. 许多文章表明池化有效，因此结构中也嵌入了pooling
4. 网络越往后，特征越抽象，而且每个特征所涉及的感受野更大，因此随着层数的增加，3×3、5×5的比例也要增加
5. 使用1×1卷积进行降维，减少计算量，增加非线性表达能力。