刷剧不忘学CNN：TF+Keras识别辛普森一家人物 | 教程+代码+数据集

量子位

发布于 2018-03-29 16:12:04

1.3K0

发布于 2018-03-29 16:12:04

文章被收录于专栏：量子位量子位

王小新编译自 Medium 量子位出品 | 公众号 QbitAI

Alexandre Attia是《辛普森一家》的狂热粉丝。他看了一系列辛普森剧集，想建立一个能识别其中人物的神经网络。

接下来让我们跟着他的文章来了解下该如何建立一个用于识别《辛普森一家》中各个角色的神经网络。

要实现这个项目不是很困难，可能会比较耗时，因为需要手动标注每个人物的多张照片。

目前在网上没有《辛普森一家》人物的训练数据集，所以我正在标注各类图片来构建训练数据集。这个数据集的第一个版本已经挂在Kaggle上了，将持续进行更新，希望这个数据集能帮到大家。

在学了用TensorFlow构建不同项目后，我决定用Keras，因为它比TensorFlow更为简单易上手，而且以TensorFlow作为后端，具有很强的兼容性。Keras是Francois Chollet用Python语言编写的一个深度学习库。

本文基于卷积神经网络（CNN）来完成此项目，CNN网络是一种能够学习许多特征的多层前馈神经网络。

准备数据集

该数据集目前有18类，有以下人物：Homer，Marge，Lisa，Bart，Burns，Grampa，Flanders，Moe，Krusty，Sideshow Bob，Skinner，Milhouse等。

我的目标是达到20类，当然类别越多越好。各类样本的大小不一，图片背景也不尽相同，主要是从第4至24季的剧集中提取出来的。

△ 部分人物的图片

在训练集中，每个人物各大约包括1000个样本（还在标注数据来达到这个数量）。每个人物不一定处于图像中间，有时周围还带有其他人物。

△ 人物的样本量分布

通过label_data.py函数，我们可以从AVI电影中标注数据：得到裁剪后的图片（左部分或右部分），或者完整版，然后仅需输入人物名称的一部分，如对Charles Montgomery Burns输入burns。

添加数据时，我也使用了Keras模型。对视频进行截图，每一帧可转化得到3张图片，分别是左部分、右部分和完整版，然后通过编写算法来分类每张图片。

之后，我检查了此算法的分类效果，虽然是手动的，但这是一个渐进的过程，速度将会不断提升，特别是对出现频率较低的小类别人物。

数据预处理

在预处理图片时，第一步是调整样本大小。为了节省数据内存，先将样本转换为float32类型，并除以255进行归一化。

然后，使用Keras的自带函数，将各类人物的标签从名字转换为数字，再利用one-hot编码转换成矢量：

import keras 
import cv2
pic_size = 64num_classes = 10img = cv2.resize(img, (pic_size, pic_size)).astype('float32') / 255. ...
y = keras.utils.to_categorical(y, num_classes)

进而，使用sklearn库的train_test_split函数，将数据集分成训练集和测试集。

构建模型

现在让我们开始进入最有趣的部分：定义网络模型。

首先，我们构建了一个前馈网络，包括4个带有ReLU激活函数的卷积层和一个全连接的隐藏层（随着数据量的增大，可能会进一步加深网络）。

这个模型与Keras文档中的CIFAR示例模型比较相近，接下来还会使用更多数据对其他模型进行测试。我还在模型中加入了Dropout层来防止网络过拟合。在输出层中，使用softmax函数来输出各类的所属概率。

损失函数为分类交叉熵（Categorical Cross Entropy）。优化器optimizer使用了随机梯度下降中的RMS Prop方法，通过该权重临近窗口的梯度平均值来确定该点的学习率。

训练模型

这个模型在训练集上迭代训练了200次，其中批次大小为32。

由于目前的数据集样本不多，我还用了数据增强操作，使用Keras库可以很快地实现。

这实际上是对图片进行一些随机变化，如小角度旋转和加噪声等，所以输入模型的样本都不大相同。这有助于防止模型过拟合，提高模型的泛化能力。

datagen = ImageDataGenerator(
 featurewise_center=False, # set input mean to 0 over the dataset
 samplewise_center=False, # set each sample mean to 0
 featurewise_std_normalization=False, # divide inputs by std 
 samplewise_std_normalization=False, # divide each input by its std
 rotation_range=0, # randomly rotate images in the range 
 width_shift_range=0.1, # randomly shift images horizontally 
 height_shift_range=0.1, # randomly shift images vertically 
 horizontal_flip=True, # randomly flip images
 vertical_flip=False) # randomly flip images

在CPU上训练模型时会耗费较长时间，所以我使用AWS EC2上的GPU资源：每次迭代需要8秒钟，一共使用了20分钟。在训练深度学习模型时，这已经是较快了。

在200次迭代后，我们画出了模型指标，可以看出性能已经较为稳定，没有明显的过拟合现象，且实际正确率较高。

△ 训练时验证集和训练集的损失值和正确率

评估模型

由于当前样本量较小，所以很难得到准确的模型精度。但随着训练集样本的增多，这将更贴近实际的模型性能。我们使用sklearn库很快地输出了各类的识别效果。

△ 各类别的识别效果

从上图可以看出，模型的正确率（f1-score）较高：除了Lisa，其余各类的正确率都超过了80%。Lisa类的平均正确率为82%，可能是在样本中Lisa与其他人物混在一起。

△ 各类别的交叉关系图

的确，Lisa样本中经常带有Bart，所以正确率较低可能受到Bart的影响。

添加阈值来提高正确率

为了提高模型正确率和减少召回率，我添加了一个阈值。

在讨论阈值之前，先介绍下关于召回和正确率的关系图。

△ 召回和正确率的关系图

现在统计下正确预测和错误预测的相关数据：最佳概率预测，两个最相似人物的概率差和标准偏差STD。

正确预测：最大值为0.83，最优点概率差为0.773，STD值为0.21；
错误预测：最大值为0.27，最优点概率差为0.092，STD值为0.07。

如果人物1的预测正确率太低，预测人物2时标准偏差太高或是两个最相似人物间的概率差太低，那么可以认为网络没有学习到这个人物。

因此，对两个类别，绘制测试集的3个指标，希望找到一个超平面来分离正确预测和错误预测。

△ 测试集中多个指标的散点图

上图中，想要通过直线或是设置阈值，来分离出正确预测和错误预测，这是不容易实现的。当然还可以看出，错误预测的样本一般在图表的左下方，但在这个位置也分布了很多正确预测样本。如果设置了一个阈值（关于最相似人物间的概率差和概率），则实际召回率也会降低。

我们希望在提高准确性的同时，而不会很大程度上影响召回率，因此要为每个人物或是低正确率的人物（如Lisa Simpson）来绘制这些散点图。

此外，对于没有主角或是不存在人物的样本，加入阈值后效果很好。目前我在模型中添加了一个“无人物”的类别，可以添加阈值来处理。我认为很难在最佳概率预测、概率差和标准偏差之间找到平衡点，所以我重点关注最佳预测概率。

关于最佳预测概率的召回率和正确率

在模型中，很难平衡好召回率与正确率之间的关系，同时也无法同时提高召回率和正确率。所以往往根据实际目标，来提高单个值。

对于预测类别的概率最小值，画出F1-score、召回率和正确率来比较效果。

△ 对于所有类别或特定类别，正确率、召回率和F1-score与预测类别概率最小值的关系

从图10中看出，模型效果取决于不同人物。重点研究Lisa Simpson类别，为该类添加概率最小值0.2可能会提高效果，但是组合所有类别后，这个阈值并不完全适用。

所以考虑全局效果，对于预测类别的概率最小值，应该增加一个合适的阈值，且不能位于区间[0.2,0.4]内。

可视化预测人物

△ 12个不同人物的实际类别和预测类别

在图11中，用于分类人物的神经网络效果很好，故应用到视频中实时预测。在实际中，每张图片的预测时间不超过0.1s，可以做到每秒预测多帧。