【基于VGG模型的照片评分机制探析综述2900字】

基于VGG模型的照片评分机制分析综述目录TOC\o"1-2"\h\u13473基于VGG模型的照片评分机制分析综述 1296541.1PyTorch框架 1194971.2VGG模型 1133921.2.1VGG模型特点 2203931.2.2VGG模型结构 2196141.2.3VGG模型优点 4187971.3基于VGG的图片分类机制 456041.1.1图像预处理 4199721.1.2图片分类机制 51.1PyTorch框架Torch作为一个经典的能够处理多维矩阵数据的张量（tensor）库，广泛应用于机器学习领域。但Torch语言采用Lua，国内用户不够熟悉，导致其在国内属于小众化，用户使用时相较于支持Python的Tensorflow来说不方便。PyTorch作为由Facebook开源的神经网络基础框架，是torch的python版本，专门针对GPU加速的深度神经网络（DNN）编程，同时还能支持动态神经网络[12]。PyTorch追求最少的封装设计，在结构上尽量避免重复；遵循从tensor到variable(autograd)最后nn.Module三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块），三个抽象层次之间联系紧密，可以同时修改和操作；PyTorch的灵活性高，但不以速度为代价，在许多评测中，相比TensorFlow和Keras等框架PyTorch的速度表现都更加优越；PyTorch是所有的框架中面向对象设计最优雅简洁的一个，其设计最符合人们的思维，它使用户尽可能地专注于实现自己的想法，用户操作过程中所思即所得，不需要考虑太多关于框架本身的束缚。1.2VGG模型VGGNet是2014年由牛津大学计算机视觉研究组（VisualGeometryGroup）和GoogleDeepMind公司的研究员一起研发出的的深度卷积神经网络，其主要研究了卷积神经网络的结构深度与其模型性能之间的关系。整体模型架构非常简洁，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，成功地构筑了不同网络深度的卷积神经网络，证明了在一定程度上增加网络的深度能够影响网络最终的应用性能。与之前state-of-the-art的网络结构相比，VGGNet的错误率显著下降，获得了ILSVRC2014比赛分类项目的第2名和定位项目的第1名。同时由于VGGNet拓展性强，使其迁移到其他图片数据上的泛化性非常好，到目前为止，VGGNet依然经常被用来提取图像特征。因其官方网站上成功开源了VGGNet训练后的基础模型参数，提供了非常好的初始化权重，这些参数可用来在特定的图像分类任务上进行再次训练，因此被广泛应用于在卷积神经网络迁移学习中。1.2.1VGG模型特点1.结构简洁：整个卷积层结构只有3*3的卷积核，连续的卷积层后使用池化层隔开；2.小卷积核和连续卷积层：连续的3*3卷积核增大感受野，减少参数量；1.小池化核：相比AlexNet使用3*3大小的池化核，VGG则全部采用2*2大小的池化核；4.通道数更多使特征图更宽：通道数的增加，可以提取出更多的有效信息；5.层数更深：使用连续的小型卷积核代替大的卷积核，使网络结构深度更深，对边缘进行填充避免因卷积计算导致图像尺寸降低；6.全连接转卷积：在网络测试阶段将训练阶段的三个全连接替换为三个卷积，将训练时的各个参数进行测试重用，使得测试得到的全卷积网络不受全连接限制，可以接收任意维度的宽或高图像作为待检测数据输入。1.2.2VGG模型结构VGG本质上是一个框架，目前共有6种网络配置，层数从浅到深分别为11层、13层、16层和19层。它并不具有固定的卷积层数，而是根据需要调整模块中层级结构数量，即调整卷积模块的卷积层数和卷积核大小，实现网络规模和性能间的平衡。网络共有5个卷积模块，每个卷积模块后面跟一个池化层，最后是3个全连接层，所有隐层的激活单元都采用RELU函数。VGGNet宏观结构如图所示：图3-1VGG网络宏观架构图3-2ConvNet配置以VGG16模型为例介绍ConvNet配置图[13]：conv3-64：进行第三层卷积后将维度变成64，同样，conv3-128指的是第三层卷积后维度变成128；input（224x224RGBimage）：输入图片大小为224*244的彩色图像，通道数为3，即224*224*3；maxpool：最大池化，在vgg16结构中，池化层采用的是2*2的最大池化；FC-4096：全连接层中有4096个节点，而FC-1000则表示该层的全连接层有1000个节点；padding：对矩阵在外围填充n圈，padding=1表示矩阵外边缘填充1圈，对5*5大小的矩阵进行填充可得到7*7大小的矩阵；在进行卷积操作的过程中，处于中间位置的数值将被进行多次的提取，但是处于边界位置的具体数值特征却很少被提取到，为更好的把边界数值也利用上同时避免中间位置数值被过分提取，所以给原始数据矩阵的四周都补上一层0，维持矩阵大小不变；vgg16在每层卷积运算过程中的stride=1，padding=1；通过softmax函数输出1000个预测结果。1.2.3VGG模型优点VGG模型有以下优点[14]：1.层数深使得特征图更宽，更加适合于处理数据集较大的问题，该网络可以解决1000类图像分类和定位问题。2.卷积核大小影响了参数量和感受野，参数量关系到训练难易程度以及是否方便部署到移动端等方面，而感受野关系到参数更新、特征图大小、特征是否提取足够多及模型复杂程度。（VGG用较深的网络结构和较小的卷积核，既可以保证感受视野，又能够减少卷积层的参数，如将两个3*3的卷积层进行叠加等价于一个5*5卷积核的效果，3个3*3卷积核叠加相加相当于一个7*7的卷积核，而且参数更少，大约相当于7*7卷积层的（3*3*3）/（7*7）=0.55倍。通过三个卷积层的叠加，可以增强特征学习能力）。1.池化层：AlexNet的kernelsize为3*3，stride为2的max-pooling，而VGGNet的kernelsize均为2*2，stride为2的max-pooling，更小的池化核能够带来更为细节的信息捕获，得到更为详细的特征（当时也有采用averagepooling，但是由于maxpooling更加容易捕捉图像上的变化，带来更大的局部信息差异性，更好的描述边缘纹理等，在图像任务上使用max-pooling的效果更好，而用averagpooling可能会使图像模糊，类似于数字图像处理的高斯模糊）。1.3基于VGG的图片分类机制1.1.1图像预处理VGG16网络计算要求输入图像尺寸固定，首先裁剪待分类图像，尺寸大小固定为224*224，后续进行预处理原始图像：为解决数据集过小导致的过拟合问题，使用数据增强的方法对图像进行水平方向的翻转；对待评分图像进行归一化处理，将原始图像转换为固定标准形式，得到归一化图像，进行归一化操作可减少后期模型训练运算量，加速模型收敛速度，提高后续步骤可靠性[15]。1.1.2图片分类机制根据VGG16的宏观架构，该模型由13个卷积层、5个最大池化层和3个全连接层构建。利用卷积滤波器（kernel）即卷积核对输入的特征图进行卷积运算，对从数据集输入的各类图像进行特征提取，在卷积运算得到特征矩阵后对输出矩阵进行最大池化操作，减少特征映射大小，减少数据量并通过填充确保固定的输出大小，卷积的step和最大池化的step分别设置为1和2。全连接层对输出层采用soft-max函数，使模型可进行一定数量的类别预测[15]。进行图像分类任务时，输入VGG16网络模型的图像尺寸固定为224（宽度）*224（高度）*3（信道），输入层与64个3*3*3内核卷积得到（3*3*3）*64共1728个训练参数，第2次卷积继续用64个3*3内核进行卷积运算得到（3*3*64）*64共36864个训练参数，两次卷积后执行2*2最大池化生成layer3，尺寸大小变成112*112*64；第二个卷积模块进行两次卷积，卷积核大小为3*3，个数为128，经过最大池化操作后得到（3*3*128）*128=147456个训练参数，大小变为56*56*128；第三个卷积模块进行三次卷积，卷积核大小不变，个数为256，采用一次最大池化得到（3*3*256）*256=589824个训练参数，大小变为28*28*256；第四个卷积模块进行三次卷积，卷积核个数为512，进行一次最大池化产生（3*3*512）*512=2359296个训练参数，大小变为14*14*512；最后一个卷积模块进行三次卷积，卷积核个数为512，最后进行最大池化得到（3*3*512）*512=2359296个训练参数，大小变为