# VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION 論文筆記

[論文PDF](https://arxiv.org/pdf/1409.1556.pdf)
[Submitted on 4 Sep 2014 (v1), last revised 10 Apr 2015 (this version, v6)]
[Karen Simonyan](https://arxiv.org/search/cs?searchtype=author&query=Simonyan%2C+K), [Andrew Zisserman](https://arxiv.org/search/cs?searchtype=author&query=Zisserman%2C+A)
被引用 45894 次

### ABSTRACT

在這篇文章中我們研究 convolutional network depth 在辨別大圖項數據集的效果。
* 發現使用小的 3x3卷積核，用在深度在16-19的網路上，對比現有技術有顯著的提升。
* 我們對 localisation 和 classification 很有把握
* 我們公開了做得最好的兩個 ConvNet ，促進 deep visual representations in computer vision
* object localization：辨認物體並框出圖片中的物體位置

示意圖：

### 介紹
ConvNets 最近在 large-scale 圖片和影像上取得成功，是因為大量的公開影像資料還有好的計算系統(e.g.GPU)

* ILSVRC: ImageNet Large-Scale Visual Recognition Challenge
* ILSVRC 被視為是從 high-dimensional shallow feature encodings 到 deep ConvNets 的測試平台

自從 ConvNet 被視為是有用的東西，大家都想要改善原始 [Krizhevsky el al](https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf) 的架構，舉例來說，在 2013 表現最好的模型，利用了小的 window size 和小的 step ，再來的改善則是 (Sermanet et al 2014) 在這篇論文中，我們定位了另一個重要的架構設計-深度，最後我們調整架構的一些參數，還有增加一些卷積層，因為增加的是小的 3x3 卷積層，所以這樣做是合理的。
結果，我們開始了重大的高準確度的卷積層架構，不僅在 ILSVRC classification and localisation 達到好表現，也在其他只使用部分 relatively simple pipelines(e.g. deep features classified by a linear SVM without fine-tuning)圖像辨識資料集中達到好表現。

### 2.CONVNET CONFIGURATIONS
為了確保增加深度可以改善準確度，我們要用公平的設定，所以我們的 ConvNet layer 設定都是相同的準則

#### 2.1 ARCHITECTURE
input: fixed-size 224 x 224 RGB image
filter: 3 x 3
也有使用 1 x 1 filter 可以視為是對輸入進行線性轉換。
FC lauer: 4096
FC lauer: 4096
FC lauer: 1000
1000 就是最後的要的 classification 數，最後一層 layer 是 soft-max layer ，全連接層的設定跟其他網路都一樣。
全部 hidden layer 都是用 RELU

### 3.CLASSIFICATION FRAMEWORK
#### 3.1 TRAINING

* Training 的細節：
* mini-batch gradient descent with momentum
* batch size = 256
* mometum = 0.9
* learning = 0.01
* initialisation of the network weights is important
* 不然會讓 deep nets 的 gradient 停滯不前
* multi-scale training，scale 過的圖用 S 代表

#### 3.2 TESTING

* 前面 rescaled 的圖片在測試時也會有 rescaled 的圖片，用 Q 代表
* 但後面可以展示 Q 的比例不一定要跟 S 一樣
* no need to sample multiple crops at test time, which is less efficient as it requires network re-computation for each crop. At same time, using a large set of crops, as doneby Szegedy et al, can lead to improved accuracy.

#### IMPLEMENTATION DETAILS

使用 C++ Caffe toolbox， 在單系統中使用多 GPU，在訓練 full-size images at multiple scales 表現很好

### 4.CLASSIFICATION EXPERIMENTS

使用 ILSVRC-2012 資料集

#### 4.1 SINGLE SCALE EVALUATION


#### 4.2 MULTI-SCALE EVALUATION


#### 4.3 MULTI-CROP EVALUATION
* multi-crop 需要裁減大量圖片，會增加計算負擔
* crop 稍微比 dense evaluation 好一點


#### 4.4 CONVNET FUSION

* 融合


#### 4.5 COMPARISION WITH THE STATE OF THE ART

* 和目前最好的比較


### 結論
在這篇論文中展現了非常深的 convolutional networks(up to 19 weight layers)的價值，證實了==深度==對分類的正確性是有幫助的。
也展示出對大範圍的任務和資料集的良好表現，表現得比沒那麼深的模型好，結果再次證實了在視覺上深度的重要性。

---
:::info

### CSDN

用卷积层代替全连接层(具体理解可参考FCN网络，讲的十分详细)，这种策略不限制输入图片的大小，最终输出结果是一个w*h*n的score map。其中，w和h与输入图片大小有关，而n与所需类别数相同。而将w*h个值进行sum pool（对每一个channel进行求和），即可得到在某一类上的概率。这种方法叫做dense evaluation。另一种策略就是经常使用的卷积层+全连接层。通过将测试图片缩放到不同大小Q，Q可以不等于S(训练时图片大小)。在Q*Q图片上裁剪出多个S*S的图像块，将这些图像块进行测试，得到多个1*n维的向量。通过对这些向量每一纬求平均，得到在某一类上的概率。这种方法叫做multi-crop。

2.输入为224*224(训练固定输入大小)的时候，VGG网络正常计算（像训练过程那样计算就好），如果对x*y(x>=224,y>=224)图像做dense的时候，可以把VGG网络看成一个“大滤波器”在测试输入图像上“扫”，步长就是offset值。3.在测试阶段，VGG论文中解释dense操作的时候有说到FC层替换成1*1卷积层的操作，有人疑问替换之后n*n*m(n*n是上一层feature map的大小，m是其通道数)卷积核的参数如何确定呢？ 其实caffe等框架在实现FC层的时候，往往是直接用n*n*m卷积核来实现的（其实替换之后参数数量上一致、计算过程也一致，二者完全等效。可以思考下这是为什么）。所以，有没有“把卷积出来的feature map平铺成一长列作为FC层”并不重要，重要的是在计算上等价。所以，文中说的替换，其实已经自然实现好了。

作者：刘高亮
链接：https://www.zhihu.com/question/270988169/answer/407731947
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

:::

###### tags: `uscc論文`