图像分类必备经典模型，一文打尽知多少？（一）

机器之心 2022-08-21 11:33 发表于北京

以下文章来源于机器之心SOTA模型，作者机器之心SOTA模型

机器之心专栏

本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。 本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。

本文将分 3 期进行连载，共介绍 15 个在图像分类任务上曾取得 SOTA 的经典模型。

• 第1期：AlexNet、VGG、GoogleNet、ResNet、ResNetXt
  
• 第2期：DenseNet、MobileNet、SENet、DPN、IGC V1
  
• 第3期：Residual Attention Network、ShuffleNet、MnasNet、EfficientNet、NFNet
  
  

您正在阅读的是其中的第 1 期。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。

本期收录模型速览

图像分类是计算机视觉领域最经典的任务之一，目的是将输入的图像对应到预定义的语义类别中，即打上类别标签。传统的图像分类方法由底层特征学习、特征编码、空间约束、分类器设计、模型融合等步骤组成。

首先，从图像中提取特征，经典的特征提取方法包括HOG(Histogram of Oriented Gradient, 方向梯度直方图) 、LBP(Local Bianray Pattern, 局部二值模式)、SIFT(Scale-Invariant Feature Transform, 尺度不变特征转换)等，也可以将多种特征融合以保留更多有用信息。然后，对特征进行编码后去除冗余和噪声，生成特征编码，经典方法包括稀疏编码、局部线性约束编码、Fisher向量编码等。再然后，经过空间特征约束后实现特征汇聚，例如经典的金字塔特征匹配方法。最后，利用分类器进行分类，经典分类器包括SVM、随机森林等等。

Alex Krizhevsky 在 2012 年 ILSVRC 提出的 CNN 模型首次将深度学习应用于大规模图像分类任务，其效果远超传统的图像分类方法，一举获得 ILSVRC 2012 的冠军，开启了深度学习模型在图像分类中的应用历程。这个模型就是著名的 AlexNet。自此，图像分类改变了传统的致力于提取有效的特征、改进分类器的有效性的研究和应用路径，转为研究不同的深度学习模型架构。

深度卷积神经网络为图像分类带来了一系列突破。深度神经网络集成了低/中/高层次的特征，可以被端到端训练，特征的层次可以通过网络的深度来丰富。甚至有研究人员称，正是在图像分类任务中应用的巨大成功，带动了深度学习的方法。

AlexNet

AlexNet 首次发表在 NIPS 2012，获得了 ILSVRC 2012 的冠军，开启了深度学习模型在图像分类中的应用历程。AlexNet 实际上就是一个 CNN，如下图，包含 8 个学习层：5 个卷积层和 3 个全连接层。在现在看来，AlexNet 的架构并不复杂。

图 1 AlexNet 架构

AlexNet 首次在 CNN 中成功应用了 ReLU、Dropout 和 LRN 等。具体如下：

（1）AlexNet 中使用 Relu 作为 CNN 的激活函数，成功解决了 Sigmoid 在网络较深时的梯度弥散问题：

（2）AlexNet 在训练时使用 Dropout 随机忽略一部分神经元，以避免模型过拟合。在AlexNet 中主要是最后几个全连接层使用了 Dropout。

（3）AlexNet 中引入了局部响应归一化（ Local Response Normalization，LRN）。对于第 i 个特征图 (x,y) 上的神经元活性 (a_x,y)^i ，应用 ReLU 非线性，响应归一化的活动是

通过向局部神经元的活动引入竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。

（4）AlexNet 使用重叠的最大池化。此前 CNN 中普遍使用平均池化，AlexNet 全部使用最大池化，避免平均池化的模糊化效果。并且 AlexNet 中提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。

（5）使用 CUDA 加速深度卷积网络的训练，利用GPU强大的并行计算能力，处理神经网络训练时大量的矩阵运算。受限于当时的显卡显存条件，AlexNet 使用两卡并行训练，在最终的卷积层中，单 GPU 网络实际上可以具有与双 GPU 网络相同数量的内核。
（6）优化器是 SGD+Momentum。

当前 SOTA！平台收录 AlexNet 共 10 个模型实现资源，支持的主流框架包含 PyTorch、CANN、MindSpore、caffe、TensorFlow、PaddlePaddle 等。

VGG

VGG 是指用于大规模图像识别的极深度卷积网络（VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION），重点研究的是深度对CNN 性能的影响，提出用堆叠的小卷积核来代替大卷积核，论文发表在 ICLR 2015。VGG 的核心思想是使用具有非常小的卷积核的架构，增加网络的深度，然后进行全面评估。实验表明将深度推至 16-19 层可以实现对现有技术的提升。具体的，VGG16、VGG19 中的数字都是指有参数层的数量。

表 1 ConvNet 的配置（以列显示）

如表 1 所示，ConvNet 的配置的深度从左（A）到右（E）增加，卷积层的参数表示为 "conv <receptive field size>-<number of channels>"。其中，忽视了 Relu 层。

在训练阶段，ConvNets 的输入是一个固定大小的 224×224 的 RGB 图像。我们所做的唯一预处理是减去每个像素的 RGB 平均值，该值是在训练集上计算出来的。将图像传递到卷积层的堆栈中，使用具有非常小的感受野（receptive field，RF）的过滤器：3×3。在其中一个配置中，还利用了 1x1 卷积核，这可以看作是输入通道的线性变换。卷积 stride 固定为 1 ，padding 是为了卷积前后分辨率不变。池化由 5 个 max-pooling 执行，大小为 2，stride 为 2。引入 1×1 卷积层（配置C，表1）是增加决策函数的非线性而不影响卷积层的感受野的一种方法。

卷积层的堆栈（在不同的架构中具有不同的深度）之后是三个全连接（FC）层：前两个层各有 4096 个通道，第三层进行 1000 维度的 ILSVRC 分类，因此包含 1000 个通道（每个对应一个类别）。最后一层是 softmax 层。在所有网络中，全连接层设置都是相同的。

VGG 使用 ReLu 作为激活函数，网络（除了一个）均不包含 LRN。文中实验证明这种归一化不能提高 ILSVRC 数据集的性能，还会导致内存消耗和计算时间增加。此外，VGG 使用了 Dropout 来优化网络结构。VGG 的优点是结构简单，易于推广应用。缺点则是参数量和计算量都很大。

当前 SOTA！平台收录 VGG 共 16 个模型实现资源，支持主流框架包括 CANN、PyTorch、TensorFlow、MindSpore、caffe、PaddlePaddle 等。