论文|计算机视觉经典论文总结（更新中）

  平时总是在跟踪学习最新的文章，顶多在计算机视觉一个小的领域深挖几年。但慢慢发现不管有多新，归根结底还是对经典论文的扩展，经典论文的很多开创性思想，值得好好学习。
  下面对计算机视觉的经典论文进行一些小小的总结。

卷积网络

1.[vgg]Very Deep Convolutional Networks for Large-Scale Image Recognition

Author：Karen Simonyan & Andrew Zisserman(Oxford)

Solution:

证明了增加网络层数，可以提升神经网络性能。

Method:

• 小卷积核。采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核(11x11，7x7，5x5)。例如，使用2个3x3的卷积核代替AlexNet中1个5x5卷积核，如图1所示。这样对于同样大小的感受野，2层的非线性强于1层，同时参数量也更少(2个3x3的卷积核的参数是18，1个5x5卷积核的参数是25)。 图1 2个3x3代替1个5x5
  

  3个3x3卷积核可以来代替7x7卷积核的原理类似。

• multscale strategy 进行训练和测试
  训练时，由于vgg网络的输入是224x224，对尺寸不同的输入图像先resize再crop到224×224，理论上只需要将图像最短的边resize到大于等于224即可进行crop。文章中设置了2种scale方式，第一种resize到256或384，第二种随机resize到[256,512]之间。
  测试阶段使用了两种预测方式：
  使用multi-view crop，即测试时输入的图像和训练的图像大小一样，从resize之后的图片，crop不同位置的块，分别输入训练好的网络，最后对softmax进行平均。
  使用dense evaluation，即将原图直接送到网络进行预测，将最后的全连接层改为1x1的卷积，这样最后可以得出一个预测的score map，再对结果求平均。
  multi-view crop 效果好于dense evaluation。

2. [ResNet]Deep Residual Learning for Image Recognition

Author：何恺明、张祥雨、任少卿和孙剑（微软研究院）

Solution:

• 解决了深度网络的退化问题。当网络达到一定深度，已经最优化，那么再继续增加深度时，模型训练误差反而会提高。
• 解决了梯度爆炸/消失问题。之前的网络都是通过增加网络深度(层数)来提高性能，但是在反向传播过程中，对激活函数进行求导，如果此部分大于1，那么层数增多的时候，最终求出的梯度更新将以指数形式增加，即发生梯度爆炸，如果此部分小于1，那么随着层数增多，求出的梯度更新信息将会以指数形式衰减，即发生了梯度消失，从而使得深度学习模型很难训练。（具体原因可以参考这篇博客)

Method:

• Residual Block。在resnet中，学习的是残差函数F(x) = H(x) – x，这样其原始的学习特征是H(x)=F(x)+x。所以当残差F(x)=0时，此时堆积层仅仅做了恒等映射(即H(x)=x)，至少网络性能不会下降，但实际残差不会为0，这也会使得堆积层在输入特征基础上学习到新的特征，从而拥有更好的性能。残差学习的结构如图2所示。

  
  图2 residual block

• Global Average Pooling(不是本文的创新，但文中用到了这个方法️)。使用GAP来取代了最后的全连接层，直接实现了降维，极大减少了网络的参数，对整个网络从结构上做正则化防止过拟合，但却降低了收敛速度。图3中展示了全连接与全局均值池化的对比，例如最后的一层的数据是10个6x6的特征图，全连接层是将10个6x6的特征图flatten成一个1x360的特征向量，进行全连接，输出1x10，送入到softmax的分类中进行计算，得参数量是360x360x10，参数量过大，从而造成计算量加大速度低和过拟合。相比较GAP是将每一张特征图计算所有像素点的均值，输出一个数据值，这样10 个特征图就会输出10个数据点，将这些数据点组成一个1x10的特征向量，送入到softmax的分类中进行计算，直接实现了降维，极大减少了网络的参数。

  
  图3 全连接与全局均池化的差异对比

参考文献：https://zhuanlan.zhihu.com/p/31852747

GAN

1. [GAN]Generative Adversarial Network

Author:Ian J. Goodfellow, Jean Pouget-Abadie∗, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair†, Aaron Courville, Yoshua Bengio‡

Solution:

提出了一个通过对抗过程来评估生成模型的新框架。解决了：

• 深度生成模型（任务是学习概率密度并且生成数据）在求解真实数据概率密度分布的过程中有很大难度，用最大似然估计和相关策略求解概率几乎无法进行。
• 将piecewise linear units用在生成模型上比较难

Method:

• Adversarial nets。同时训练两个模型：生成模型G用于估计数据分布，判别模型D来预测一个样本是来自训练集（真实数据集）而非G的概率。对于G来说训练过程就是要使D判断错误的可能性最大化。Adversarial nets框架如图4所示。
  

  图4 网络框架.png
  其中，即G的输入是噪声z(符合特定分布)，输出假图，而则是生成器G里待训练的权重集合；即D的输入是(分为和)，D判断输入的是真是假的概率，输出一个范围在[0,1]之间的数，则是辨别器D里待训练的参数集合。我们希望希望相应的越大越好(接近1)，而越小越好(即D(G(z))接近0)；G是希望越大越好(即D(G(z))接近1。

• Minimax two-player game(Loss)

表示真实样本与假样本的差异程度，对于生成器G来说，希望尽可能减小这个差异(min)，对于判别器D来说希望能尽量拉大这个差异(max)。