论文阅读学习 - ResNet - Deep Residual Learning for Image Recognition

论文阅读学习 - Deep Residual Learning for Image Recognition

[Paper - CVPR2016]

[Code-Github]

[ICML2016 tutorial]

ResNet 网络已经用于很多应用场景，分类、目标检测、语义分割等等.

再次学习论文.

残差学习框架 ——使网络更深. ResNet 152层网络，是 VGGNet 的 8倍，却复杂度更低，在 ImageNet 上的错误率更低. 解决超深CNN 网络模型的训练(152层，1000层).

这里写图片描述

1. 介绍

网络比较深时，遇到的问题：

• 网络深度的增加，遇到的一个问题是：学习更好的网络是否与堆积更多网络层一样简单(Is learning better networks as easy as stacking more layers?). 随着网络的加深，训练时会遇到梯度发散和消失(exploding/vanishing) 的问题. 其已有有效的解决方法是，初始化归一化(normalized initialization) 和 网络中间归一化网络层(intermediate normalization layers，BN 层). 确保几十层的网络 可以SGD 训练到收敛.
• 网络深度加深，并训练收敛后，会遇到精度衰退(degradation) 的问题： 随着网络的加深，精度开始饱和(saturated)，然后快速的衰退. 而衰退的原因并不是过拟合造成的. 更深的网络深度得到训练误差也较高. 如 Figure 1.

这里写图片描述

这里写图片描述

训练精度的衰退说明了不是所有的系统都是一样容易优化的.

ResNet 提出利用深度残差学习框架来处理由于网络加深而造成的精度衰退(degradation)问题. 如 Figure 2.

shortcut 连接用于跳过一个或多个网络层. ResNet 利用的 shortcut 连接被简化为执行恒等映射，并将恒等映射的输出与堆积网络层的输出相加. 如 Figure 2.

恒等映射不会增加参数量和计算复杂度.

基于此构建的深度网络结构仍可以采用 SGD 进行 End-to-end 的网络训练. 采用 Caffe 等深度框架很容易实现，且不需要更改对应的 solvers 参数.

这里写图片描述

这里写图片描述

这里写图片描述

2. Deep Residual Learning

2.1 残差学习

这种表示是受衰退(degradation)问题的反常现象的启发(如 Figure1 左). 正如前面讨论过的，如果新增的网络层能够构建为恒等映射形式，那么，更深层的网络模型应该比其对应浅层网络模型的训练错误率更小. 衰退问题说明了 solvers 采用多个非线性层难以逼近恒等映射.

基于变形后的表示，如果恒等映射是最优的，则 solvers 可以将多个非线性层的网络权重趋向于 0 来逼近恒等映射.

虽然实际情况中，恒等映射不可能是最优的，但这种表示形式对于衰退问题的预处理是有益的. 如果最优函数逼近于恒等映射，而不是逼近于 0 映射，则，solver 能够更容易找到关于恒等映射的扰动，相比较于学习新的函数.

这里写图片描述

2.2 基于 Shortcuts 的恒等映射

2.3. 网络结构

通过对许多 plain/residual 网络分析，这里以 ImageNet 的两个模型为例. 如 Figure 3.

这里写图片描述

网络结构：

这里写图片描述

Plain Network：

plain baselines 基于 VGGNets的启发(如，Figure 3 左.) 卷积层大部分是 3×3fliters. 其设计遵循两个原则：

• 对于相同输出的特征图尺寸，网络层 filters 数量相同；
• 如果特征图的尺寸减半，网络层 filters 数量加倍，以保持每一网络层的时间复杂度一致.

采用步长为 2 的卷积来直接进行下采样. 并在网络的最后采用全局平均池化层(global average pooling) 和一个 1000-way 的全连接层和 softmax . 如Figure3 中间的网络结构，共有 34 个权重网络层.

相比较于 Figure3 左边的 VGGNet 网络，34 层网络结构具有 更少的filters 和 更低的复杂度.

Residual Network：

shortcut 连接的的残差网络如 Figure 3 右边图.

在输入和输出维度一致时，可以直接使用恒等映射 shortcuts(图中实线).

当维度增加时(图中虚线)，考虑两种情况：

• shortcut 仍执行恒等映射，对增加的维度部分采用补零处理；不引入新的参数.
• 采用公式 <2> 中的投影 shortcut，匹配维度保持一致(利用 1×1 卷积).

以上两种方案，当 shortcuts 跨越两种尺寸的特征图时，卷积步长stride 均为 2.

2.4 实现

• 基于 ImageNet.
• 图片 resized 短边范围到 [256, 480]，数据尺度scale 增广.
• 随机裁剪 224×224，水平翻转，减均值.
• 每个卷积层和激活层之间加入 BN 层.
• 网络权重初始化，手动训练 plain 网络和残差residual 网络.
• SGD，batchsize=256.
• 初始学习率为 0.1，当error停滞时，降低学习率 ×0.1，模型训练60×10^4 次迭代.
• weight decay 为0.0001，momentum为 0.9.
• 未使用 dropout层.

这里写图片描述

这里写图片描述

3. Experiments

3.1 ImageNet 分类结果

1000 类.

实验结果：

Plain Networs：

首先对 18-层和34-层 plain 网络(Figure 3 图中)分析. 网络结构如 Table 1.

这里写图片描述

34层网络具有更高的 validation error.

Figure 4 给出了训练过程中 training/validation error. 可以看出衰退degradation 问题，34-层 platin 网络在整个训练过程都具有较高的 training error，并分析其不是由梯度消失引起的.

Residual Networks：

18-层和 34 -层残差网络(ResNets). baseline 网络结构与 plain 网络结构相同，除了在每对 3×33×33×3 filters 后添加一个 shortcut 连接，如 Figure 3 右图.

这里写图片描述

34 层的 ResNet 比 18 层的效果更好. 且 34 层 ResNet 具有更低的训练误差，即：衰退degradation 问题得到了很好的解决.

恒等映射与投影shortcuts：

恒等映射被证明是有助于网络训练的.

这里写图片描述

这里写图片描述

这里写图片描述

3.2 CIFAR-10 分类结果

CIFAR-10 数据集，50k training 图片，10k testing 图片，10 类.

• 网络输入是 32×32的图片，减均值处理；
• 网络第一层是 3×3 Conv.
• 6n6n6n 层 3×3Conv 的堆积层，分别的到 feature maps 尺寸 {32,16,8}

这里写图片描述

这里写图片描述

这里写图片描述

3.3 PASCAL 和 COCO 目标检测结果

这里写图片描述

Related

[1] - 秒懂！何凯明的深度残差网络PPT是这样的|ICML2016 tutorial

[2] - 对ResNet的理解

[3] - Feature Extractor[ResNet]

[4] - caffe Resnet-50 finetune 所有代码+需要注意的地方