CVPR2020部分文章略讀

本部分是筆者對(duì)CVPR2020部分感興趣的文章的略讀,大致包括圖像分類、檢測(cè)以及分割三個(gè)主題包警,由于是略讀,因此不會(huì)對(duì)文章進(jìn)行細(xì)致的分析底靠,而只會(huì)大體闡述實(shí)現(xiàn)的方法。

圖像分類:

1特铝、GhostNet: More Features from Cheap Operations

研究問(wèn)題:

CNN中隨著卷積的進(jìn)行暑中,通道數(shù)越來(lái)越多,網(wǎng)絡(luò)的性能就依賴于這些高度冗余的特征圖鲫剿,以往的卷積方式計(jì)算較為復(fù)雜鳄逾,因此本文希望找到一種計(jì)算更為簡(jiǎn)單的替代方式來(lái)產(chǎn)生這些冗余的特征圖。

實(shí)現(xiàn)方式:

首先分析基本結(jié)構(gòu)灵莲,ghost模塊分為兩步操作雕凹,第一步先使用卷積操作,減少了通道,為的是減少運(yùn)算量枚抵,第二步較為巧妙线欲,對(duì)每個(gè)通道的特征圖都進(jìn)行了卷積操作,生成s-1個(gè)特征圖汽摹,m個(gè)特征圖共生成m*(s-1)個(gè)李丰,再堆疊上原來(lái)的特征圖,通道數(shù)為m逼泣,總共生成的通道數(shù)為m*s=n趴泌,達(dá)到了跟普通卷積一樣的結(jié)果,但沒(méi)有使用逐點(diǎn)卷積拉庶,大大減少了計(jì)算量嗜憔。

網(wǎng)絡(luò)的設(shè)計(jì)借鑒了MobileNet網(wǎng)絡(luò),也是一種倒置殘差結(jié)構(gòu)氏仗,值得注意的是吉捶,文章也引入了一個(gè)寬度因子來(lái)控制通道的層數(shù),用來(lái)減少運(yùn)算量廓鞠≈愠恚總的來(lái)說(shuō),性能要超出MobileNet網(wǎng)絡(luò)與ShuffleNet網(wǎng)絡(luò)床佳。

2滋早、Self-training with Noisy Student improves ImageNet classificatio

研究問(wèn)題:

利用自訓(xùn)練的方式砌们,通過(guò)利用已標(biāo)記的數(shù)據(jù)以及未標(biāo)記的數(shù)據(jù)訓(xùn)練出一個(gè)強(qiáng)大的網(wǎng)絡(luò)杆麸。

實(shí)現(xiàn)方式:

知識(shí)蒸餾是通過(guò)一個(gè)性能強(qiáng)大的teacher網(wǎng)絡(luò)浪感,訓(xùn)練出一個(gè)較小的student網(wǎng)絡(luò)揭斧,性能可能略遜色于teacher網(wǎng)絡(luò),但復(fù)雜度大大減少旦万。本文與知識(shí)蒸餾的逆過(guò)程相類似镶蹋,示意圖如下:

首先利用已標(biāo)記好的數(shù)據(jù)訓(xùn)練一個(gè)teacher網(wǎng)絡(luò)成艘,之后將未標(biāo)記的數(shù)據(jù)送進(jìn)teacher網(wǎng)絡(luò)中赏半,產(chǎn)生偽標(biāo)簽,再找到一個(gè)起碼性能起碼不遜色與teacher網(wǎng)絡(luò)的student網(wǎng)絡(luò)淆两,將已標(biāo)記數(shù)據(jù)與帶有偽標(biāo)簽的數(shù)據(jù)混合進(jìn)行訓(xùn)練断箫,訓(xùn)練好了之后再將student網(wǎng)絡(luò)當(dāng)作teacher網(wǎng)絡(luò)重復(fù)這個(gè)過(guò)程。需要注意的是琼腔,本文的一大創(chuàng)新點(diǎn)就是在student網(wǎng)絡(luò)訓(xùn)練的過(guò)程中引入了噪聲瑰枫,使得訓(xùn)出來(lái)的網(wǎng)絡(luò)更加魯棒,更加強(qiáng)大丹莲;噪聲又分為輸入噪聲與模型噪聲光坝,輸入噪聲通過(guò)隨機(jī)增強(qiáng)得到,可以鼓勵(lì)模型預(yù)測(cè)一些更難的圖像甥材,而模型噪聲通過(guò)dropout與隨機(jī)深度函數(shù)得到盯另,可以迫使網(wǎng)絡(luò)進(jìn)行類似于集成學(xué)習(xí)的學(xué)習(xí)。此外洲赵,本文還使用了數(shù)據(jù)過(guò)濾來(lái)過(guò)濾那些teacher模型表現(xiàn)不好的圖像鸳惯,數(shù)據(jù)平衡來(lái)確保各個(gè)類別的圖片數(shù)量大致相等。


其他:

1叠萍、Designing Network Design Spaces

研究問(wèn)題:通過(guò)搜索設(shè)計(jì)空間芝发,找到設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的一套通用的法則

實(shí)現(xiàn)方式:

神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索是為了某個(gè)任務(wù)搜索到最佳的神經(jīng)網(wǎng)絡(luò)架構(gòu),而本文則是想搜索到通用的神經(jīng)網(wǎng)絡(luò)架構(gòu)苛谷。設(shè)計(jì)空間是非常龐大的辅鲸,因此本文使用的方法是采樣,并通過(guò)錯(cuò)誤經(jīng)驗(yàn)分布來(lái)比較性能腹殿,不斷的縮小范圍独悴,最終找到答案。所采用的網(wǎng)絡(luò)結(jié)構(gòu)如圖所示:

主要區(qū)別在body網(wǎng)絡(luò)的設(shè)計(jì)锣尉,主要有以下四個(gè)參數(shù):塊的數(shù)目d_i刻炒,通道的寬度w_i,瓶頸層比率b_i跟組寬度g_i(即組卷積用的組數(shù))自沧,經(jīng)過(guò)測(cè)試坟奥,發(fā)現(xiàn)共享瓶頸層比率以及組寬度最佳,并且拇厢,塊的數(shù)目以及通道的寬度應(yīng)該逐漸增加爱谁。這里使用了線性函數(shù)建模了block深度與寬度的關(guān)系:u_j=w_0+w_a*j這里w_0是初始化的寬度,w_a是斜率旺嬉,具體可見論文。為了量化u_j厨埋,引入額外的變量邪媳,有:

因此,這里主要搜索w_0,w_a,w_m,通過(guò)實(shí)驗(yàn)有以下結(jié)論可供參考:

1)網(wǎng)絡(luò)不是越深越好雨效,20個(gè)block左右較為合適

2)瓶頸層比率設(shè)為1最佳

3)寬度w_m因子設(shè)為2.5為宜

4)其余參數(shù)最好隨著網(wǎng)絡(luò)增大而增大

5)速度用activations衡量最好(即所有卷積層輸出tensor大醒镐獭)

2、Circle Loss: A Unified Perspective of Pair Similarity Optimization

研究問(wèn)題:無(wú)論是分類還是回歸徽龟,我們所要求的無(wú)非就是類內(nèi)相似度足夠大叮姑,類間相似度足夠小,文章基于這個(gè)問(wèn)題据悔,提出了一種基于對(duì)的統(tǒng)一的相似性優(yōu)化方法传透。

實(shí)現(xiàn)方式:

類內(nèi)相似性用s_p
來(lái)表示,類間相似性用s_n來(lái)表示极颓,所以需要最小化s_n -s_p朱盐,直接優(yōu)化會(huì)出現(xiàn)兩個(gè)問(wèn)題,一個(gè)是類內(nèi)相似性與類間相似性的比重一樣菠隆,這樣基于梯度進(jìn)行優(yōu)化的幅度是一樣的兵琳,較為的低效,另一個(gè)是收斂狀態(tài)模糊骇径,雖然差值一樣但s_ps_n具體的值可能不一樣躯肌,解決的方法是對(duì)兩個(gè)分布賦予一個(gè)權(quán)重,即{\alpha _n}{s_n} - {\alpha _p}{s_p}破衔,

首先給出統(tǒng)一的損失函數(shù)公式:

\displaylines{
  {{\cal L}_{uni}} = \log [1 + \sum\limits_{i = 1}^K {\sum\limits_{j = 1}^L {\exp (\gamma (s_n^j - s_p^i + m))} } ] \cr 
   = \log [1 + \sum\limits_{j = 1}^L {\exp (\gamma (s_n^j + m))\sum\limits_{i = 1}^K {\exp (\gamma ( - s_p^i))} } ] \cr}

此公式可以降級(jí)成其他損失函數(shù)清女,這里不展開。將上式換成circle loss的形式运敢,則:

\begin{gathered}
  {\mathcal{L}_{circle}} = \log [1 + \sum\limits_{i = 1}^K {\sum\limits_{j = 1}^L {\exp (\gamma (\alpha _n^js_n^j - \alpha _p^is_p^i))} } ] \\ 
   = \log [1 + \sum\limits_{j = 1}^L {\exp (\gamma (\alpha _n^js_n^j))\sum\limits_{i = 1}^K {\exp ( - \gamma \alpha _p^is_p^i)} } ] \\ 
\end{gathered}

規(guī)定校仑,無(wú)論是類間相似度還是類內(nèi)相似度,如果偏離最優(yōu)值越大传惠,那么懲罰力度就越大迄沫,因此有:

\left\{ {\begin{array}{*{20}{c}}
  {\alpha _p^i = {{[{O_p} - s_p^i]}_ + }} \\ 
  {\alpha _n^j = {{[s_n^j - {O_n}]}_ + }} 
\end{array}} \right.\

其中+代表從0截?cái)啵砣≈捣秦?fù)卦方。另外羊瘩,s_ps_n非對(duì)稱,因此各自定義余量盼砍,有:

{\mathcal{L}_{circle}} = \log [1 + \sum\limits_{j = 1}^L {\exp (\gamma \alpha _n^j(s_n^j - {\Delta _n}))\sum\limits_{i = 1}^K {\exp ( - \gamma \alpha _p^i(s_p^i - {\Delta _p}))} } ]

考慮簡(jiǎn)單的二分類情況尘吗,令
\exp (.)\為1,有:{\alpha _n}({s_n} - {\Delta _n}) - {\alpha _p}({s_p} - {\Delta _p}) = 0\

帶入權(quán)重則有:({s_n} - \frac{{{O_n} + {\Delta _n}}}{2})^2 + ({s_p} - \frac{{{O_p} + {\Delta _p}}}{2})^2 = C,C = ({({O_n} - {\Delta _n})^2} + {({O_p} - {\Delta _p})^2})/4

顯然浇坐,其決策邊界是一個(gè)圓睬捶,通過(guò)設(shè)置
{O_p} = 1 + m,{O_n} =  - m,{\Delta _p} = 1 - m,{\Delta _n} = m

{({s_n} - 0)^2} + {({s_p} - 1)^2} = 2{m^2},即優(yōu)化目標(biāo)為類間相似度為0近刘,類內(nèi)相似度為1擒贸。換言之臀晃,我們期望s_p^i \to 1 - m,s_n^j \to m

至此介劫,circle loss中只有兩個(gè)超參數(shù)徽惋,即\gamma m

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市座韵,隨后出現(xiàn)的幾起案子险绘,更是在濱河造成了極大的恐慌,老刑警劉巖誉碴,帶你破解...
    沈念sama閱讀 217,734評(píng)論 6 505
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件宦棺,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡翔烁,警方通過(guò)查閱死者的電腦和手機(jī)渺氧,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,931評(píng)論 3 394
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)蹬屹,“玉大人侣背,你說(shuō)我怎么就攤上這事】” “怎么了贩耐?”我有些...
    開封第一講書人閱讀 164,133評(píng)論 0 354
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)厦取。 經(jīng)常有香客問(wèn)我潮太,道長(zhǎng),這世上最難降的妖魔是什么虾攻? 我笑而不...
    開封第一講書人閱讀 58,532評(píng)論 1 293
  • 正文 為了忘掉前任铡买,我火速辦了婚禮,結(jié)果婚禮上霎箍,老公的妹妹穿的比我還像新娘奇钞。我一直安慰自己,他們只是感情好漂坏,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,585評(píng)論 6 392
  • 文/花漫 我一把揭開白布景埃。 她就那樣靜靜地躺著,像睡著了一般顶别。 火紅的嫁衣襯著肌膚如雪谷徙。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,462評(píng)論 1 302
  • 那天驯绎,我揣著相機(jī)與錄音完慧,去河邊找鬼。 笑死剩失,一個(gè)胖子當(dāng)著我的面吹牛屈尼,可吹牛的內(nèi)容都是我干的蛤织。 我是一名探鬼主播,決...
    沈念sama閱讀 40,262評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼鸿染,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼!你這毒婦竟也來(lái)了乞巧?” 一聲冷哼從身側(cè)響起涨椒,我...
    開封第一講書人閱讀 39,153評(píng)論 0 276
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤,失蹤者是張志新(化名)和其女友劉穎绽媒,沒(méi)想到半個(gè)月后蚕冬,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,587評(píng)論 1 314
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡是辕,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,792評(píng)論 3 336
  • 正文 我和宋清朗相戀三年囤热,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片获三。...
    茶點(diǎn)故事閱讀 39,919評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡旁蔼,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出疙教,到底是詐尸還是另有隱情棺聊,我是刑警寧澤,帶...
    沈念sama閱讀 35,635評(píng)論 5 345
  • 正文 年R本政府宣布贞谓,位于F島的核電站限佩,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏裸弦。R本人自食惡果不足惜祟同,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,237評(píng)論 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望理疙。 院中可真熱鬧晕城,春花似錦、人聲如沸沪斟。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,855評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)主之。三九已至择吊,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間槽奕,已是汗流浹背几睛。 一陣腳步聲響...
    開封第一講書人閱讀 32,983評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留粤攒,地道東北人所森。 一個(gè)月前我還...
    沈念sama閱讀 48,048評(píng)論 3 370
  • 正文 我出身青樓囱持,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國(guó)和親焕济。 傳聞我的和親對(duì)象是個(gè)殘疾皇子纷妆,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,864評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容