三、VGG-Net

1. VGG-Net 是牛津大学计算机视觉组和DeepMind公司共同研发一种深度卷积网络，并且在2014年在ILSVRC比赛上获得了分类项目的第二名和定位项目的第一名。

2. VGG-Net 的主要贡献是：

   • 证明了小尺寸卷积核（3x3 ）的深层网络要优于大尺寸卷积核的浅层网络。
   • 证明了深度对网络的泛化性能的重要性。
   • 验证了尺寸抖动scale jittering 这一数据增强技术的有效性。
3. VGG-Net 最大的问题在于参数数量，VGG-19 基本上是参数数量最多的卷积网络架构。

3.1 网络结构

1. VGG-Net 一共有五组结构（分别表示为：A~E ）， 每组结构都类似，区别在于网络深度上的不同。

   • 结构中不同的部分用黑色粗体给出。

   • 卷积层的参数为convx-y，其中x 为卷积核大小，y 为卷积核数量。

     如：conv3-64 表示 64 个 3x3 的卷积核。

   • 卷积层的通道数刚开始很小（64通道），然后在每个池化层之后的卷积层通道数翻倍，直到512。

   • 每个卷积层之后都跟随一个ReLU激活函数，表中没有标出。

   

2. 通用结构：

   • 输入层：固定大小的224x224 的RGB 图像。

   • 卷积层：卷积步长均为1。

     • 填充方式：填充卷积层的输入，使得卷积前后保持同样的空间分辨率。

       • 3x3 卷积：same 填充，即：输入的上下左右各填充1个像素。
       • 1x1 卷积：不需要填充。

     • 卷积核尺寸：有3x3 和1x1 两种。

       • 3x3 卷积核：这是捕获左右、上下、中心等概念的最小尺寸。

       • 1x1 卷积核：用于输入通道的线性变换。

         在它之后接一个ReLU 激活函数，使得输入通道执行了非线性变换。

   • 池化层：采用最大池化。

     • 池化层连接在卷积层之后，但并不是所有的卷积层之后都有池化。
     • 池化窗口为2x2，步长为 2 。

   • 网络最后四层为：：三个全连接层 + 一个softmax 层。

     • 前两个全连接层都是 4096个神经元，第三个全连接层是 1000 个神经元（因为执行的是 1000 类的分类）。
     • 最后一层是softmax 层用于输出类别的概率。
   • 所有隐层都使用ReLU 激活函数。

3. VGG-Net 网络参数数量：

   其中第一个全连接层的参数数量为：7x7x512x4096=1.02亿 ，因此网络绝大部分参数来自于该层。

   与AlexNet 相比，VGG-Net 在第一个全连接层的输入feature map 较大：7x7 vs 6x6，512 vs 256 。

   网络	A , A-LRN	B	C	D	E
   参数数量	1.13亿	1.33亿	1.34亿	1.38亿	1.44

3.2 设计技巧

1. 输入预处理：通道像素零均值化。

   • 先统计训练集中全部样本的通道均值：所有红色通道的像素均值 、所有绿色通道的像素均值 、所有蓝色通道的像素均值 。

     

     其中：假设红色通道为通道0，绿色通道为通道1，蓝色通道为通道2 ； 遍历所有的训练样本， 遍历图片空间上的所有坐标。

   • 对每个样本：红色通道的每个像素值减去 ，绿色通道的每个像素值减去 ，蓝色通道的每个像素值减去 。

2. 多尺度训练：将原始的图像缩放到最小的边 ，然后在整副图像上截取224x224 的区域来训练。

   有两种方案：

   • 在所有图像上固定 ：用 来训练一个模型，用 来训练另一个模型。最后使用两个模型来评估。

   • 对每个图像，在 之间随机选取一个 ，然后进行裁剪来训练一个模型。最后使用单个模型来评估。

     • 该方法只需要一个单一的模型。
     • 该方法相当于使用了尺寸抖动(scale jittering) 的数据增强。

     

3. 多尺度测试：将测试的原始图像等轴的缩放到预定义的最小图像边，表示为 （ 不一定等于 ），称作测试尺度。

   在一张测试图像的几个归一化版本上运行模型，然后对得到的结果进行平均。

   • 不同版本对应于不同的 值。
   • 所有版本都执行通道像素归一化。注意：采用训练集的统计量。

   该方法相当于在测试时使用了尺寸抖动。实验结果表明：测试时的尺寸抖动导致了更好的性能。

   

4. 评估有三种方案：

   • single-crop：对测试图片沿着最短边缩放，然后选择其中的 center crop 来裁剪图像，选择这个图像的预测结果作为原始图像的预测结果。

     该方法的缺点是：仅仅保留图片的中央部分可能会丢掉图片类别的关键信息。因此该方法很少在实际任务中使用，通常用于不同模型之间的性能比较。

   • multi-crop：类似AlexNet 的做法，对每个测试图像获取多个裁剪图像，平均每个裁剪图像的预测结果为原始图像的预测结果。

     该方法的缺点是：需要网络重新计算每个裁剪图像，效率较低。

   • dense：将最后三个全连接层用等效的卷积层替代，成为一个全卷积网络。其中：第一个全连接层用7x7 的卷积层替代，后面两个全连接层用1x1 的卷积层替代。

     该全卷积网络应用到整张图片上（无需裁剪），得到一个多位置的、各类别的概率字典。通过原始图片、水平翻转图片的各类别预测的均值，得到原始图片的各类别概率。

     该方法的优点是：不需要裁剪图片，支持多尺度的图片测试，计算效率较高。

   实验结果表明：multi-crop 评估方式要比dense 评估方式表现更好。另外，二者是互补的，其组合要优于任何单独的一种。下表中，S=[256;512]， 。

   还有一种评估策略：ensemble error 。即：同时训练同一种网络的多个不同的模型，然后用这几个模型的预测结果的平均误差作为最终的 ensemble error 。

   有一种术语叫single-model error。它是训练一个模型，然后采用上述的多种crop/dense 评估的组合，这些组合的平均输出作为预测结果。

   

5. 权重初始化：由于网络深度较深，因此网络权重的初始化很重要，设计不好的初始化可能会阻碍学习。

   • 论文的权重初始化方案为：先训练结构A 。当训练更深的配置时，使用结构A 的前四个卷积层和最后三个全连接层来初始化网络，网络的其它层被随机初始化。
   • 作者后来指出：可以通过 Xavier均匀初始化来直接初始化权重而不需要进行预训练。

6. 实验结果表明：

   • 分类误差随着网络深度的增加而减小。
   • 从A-LRN 和 A 的比较发现：局部响应归一化层LRN 对于模型没有任何改善。