CVPR 2018 | 美国东北大学提出MoNet，使用紧密池化缓解特征高维问题

选自arXiv

作者：Mengran Gou等

机器之心编译

参与：路雪、黄小天、邱陆陆

近日，来自美国东北大学和美国信息科学研究所的研究者联合发布论文《MoNet: Moments Embedding Network》，提出 MoNet 网络，使用新型子矩阵平方根层，在双线性池化之前执行矩阵归一化，结合紧凑池化在不损害性能的前提下大幅降低维度，其性能优于 G^2DeNet。目前该论文已被 CVPR 2018 接收。

将图像的局部表示嵌入成既具有代表性、又不受轻微噪声影响的特征，是很多计算机视觉任务中的重要一步。在深度卷积神经网络（CNN）成功之前，研究人员使用手动的连续独立步骤解决该问题。典型包括 HOG、SIFT、协方差描述子、VLAD、Fisher 向量和双线性池化。尽管 CNN 是端到端地训练的，但是它们可以被看作两部分：卷积层负责特征提取步骤，后面的全连接层是编码步骤。现在已有多项研究探索用卷积嵌入方法替换全连接层，无论训练采用两段式还是端到端方式。

表 1. 不同神经网络的二阶统计信息对比。双线性 CNN（BCNN）仅具备二阶信息，没有使用矩阵归一化。改进后的 BCNN（iBCNN）和 G^2DeNet 都利用了矩阵归一化，但是都受制于高维度，因为它们需要计算一个很大的池化矩阵的平方根。本论文提出的 MoNet，在新型子矩阵平方根层（sub-matrix square-root layer）的帮助下，可以直接归一化局部特征，同时，通过使用紧凑池化（compact pooling）替代全双线性池化，可以大幅降低最后的表示维度。

双线性 CNN 由 Lin et al. 首次提出，旨在池化不同空间位置的二阶统计信息。双线性池化已被证明在多项任务中有用，包括细粒度图像分类、大规模图像识别、分割、视觉问答、人脸识别和艺术风格重建。Wang et al. 提出，使用高斯嵌入层纳入一阶信息。实践证明，归一化方法对这些 CNN 的性能也很重要。研究者提出了两种归一化方法用于双线性池化矩阵：对于

其中

表示局部特征，一方面，由于 M 是正定对称矩阵（SPD），Ionescu et al. 提出使用矩阵对数（matrix-logarithm）来将 SPD 矩阵从黎曼流行映射到欧氏空间，即

（

）

另一方面，Wang et al. 提出矩阵方幂（matrix-power）方法，将 M 非线性地扩展到

。两项研究中，矩阵方幂的性能和数值稳定性都优于矩阵对数。此外，Li et al. 对矩阵方幂归一化在解决通用大规模图像识别问题上的优秀性能提供了理论支持。因此，本论文提出将矩阵方幂正则化整合进 MoNet 架构中。

图 1. 论文提出的 MoNet 架构图示。该架构使用论文提出的子矩阵平方根层，这使得在双线性池化之前执行矩阵归一化或进一步使用紧凑池化，在不损害性能的前提下大幅降低维度成为可能。

上述特征编码的一个重要缺陷是编码后特征的维度极高。由于张量相乘，最后的特征维度是

，其中 C 是最后一个卷积层的特征通道数。即使在 C 相对较低的情况下，如 VGG16 中，C = 512，最后特征的维度也超过 260K。该问题可通过随机投影（random projection）、张量速写（tensor sketching）和低秩属性来缓解。但是，由于矩阵方幂归一化层应用在池化矩阵 M 上，因此很难结合矩阵归一化和紧凑池化来同时达到更好的性能和更低的最后特征维度。

本论文使用同质填充局部特征（homogeneous padded local feature）的张量积重写了 G^2DeNet 的方程，使之对齐 BCNN 架构，以使高斯嵌入操作和双线性池化解耦合。本论文没有特别关注双线性池化矩阵 M，而是推导出子矩阵平方根层，对（非）同质局部特征上直接执行矩阵方幂归一化。在新型子矩阵平方根层的帮助下，研究者利用紧凑池化逼近张量积，同时使维度更低。

本论文的贡献有以下三方面：

• 利用实证矩矩阵（moment matrix）结合 G^2DeNet 和双线性池化 CNN，并将高斯嵌入与双线性池化解耦合。
• 提出新型子矩阵平方根层，在双线性池化层之前直接对特征执行归一化处理，从而利用紧凑池化降低表示的维度。
• 利用矩阵反向传播推导出子矩阵平方根层的梯度，这样 MoNet 架构可以进行协同优化。

MoNet

MoNet 网络的架构概述如上述图 1 所示。在本节中，我们将详述每个模块的设计。

对于输入图像 I，ReLU X 之后最后一个卷积层的输出由整个空间位置 i = 1, 2, . . . , n 上的局部特征 x_i 组成。接着，我们将其映射到齐次坐标，方法是添加额外的值为 1 的维度，并把所有元素除以

。之后，应用一个适当的子矩阵平方根归一化。最后，使用一个紧密双线性池化层池化整个空间位置中所有 n 个特征，并在最后的全连接层之前进行逐元素的平方根正则化和

归一化。

表 4：细粒度分类上的实验结果。双线性和 TS 分别表征全双线性池化和 Tensor Sketch 紧密池化。每栏中的最佳表现标为红色。

论文：MoNet: Moments Embedding Network

论文链接：https://arxiv.org/abs/1802.07303

近期双线性池化作为一种特征编码层被提出，可在深度网络的卷积层之后使用，提升在多个视觉任务中的表现。与传统的全局平均池化层或全连接层相比，双线性池化以平移不变式的形式收集二阶信息。但是，这一池化层家族的一个严重弊端是其维度爆炸。为解决这一问题，已探索了紧密的近似池化方法。另外，最近成果表明，通过矩阵归一化来调整不稳定的较高阶信息可获得显著的性能提升。然而，紧密池化与矩阵归一化的结合至今未被探索。

在本论文中，我们通过实证矩矩阵结合了双线性池化层与全局高斯嵌入层。此外，我们提出一个全新的子矩阵平方根层，借助此层，可以直接归一化卷积层的输出，并通过现成的紧密池化方法来缓解维度问题。我们在三个广泛使用的细粒度分类数据集上进行了实验，实验表明，我们提出的 MoNet 架构相比 G^2DeNet 架构有着更好的表现。与紧密池化技术结合使用时，本方法可以用维度数降低了 96% 的编码特征获得可比的表现。

本文为机器之心编译，转载请联系本公众号获得授权。