楊國亮，朱 晨，李 放，吳志剛

(江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000)

0 引 言

圖像識(shí)別作為計(jì)算機(jī)視覺的基本任務(wù)之一，已被廣泛應(yīng)用于安防[1]、交通[2]、醫(yī)療等領(lǐng)域。低分辨率圖像作為一種數(shù)據(jù)量小、易于傳輸?shù)臄?shù)據(jù)表達(dá)形式，占據(jù)了全部圖片相當(dāng)大的比重。常見于商品Logo,社交賬號(hào)頭像等對(duì)圖像細(xì)節(jié)要求不高的領(lǐng)域，或者是攝像時(shí)鏡頭與目標(biāo)距離較遠(yuǎn)，導(dǎo)致物體在整張圖片中占用像素點(diǎn)較少的目標(biāo)圖像，例如地理系統(tǒng)的遙感圖像、航拍圖像等。

研究發(fā)現(xiàn)卷積層的數(shù)量(深度)在神經(jīng)網(wǎng)絡(luò)中扮演至關(guān)重要的角色，VGG,GoogLeNet,ResNet[3]等具有更深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)相繼出現(xiàn)，刷新神經(jīng)網(wǎng)絡(luò)的分類精度，而與之伴隨的是算法中參數(shù)量的巨大增加，無法應(yīng)用于容量有限的嵌入式設(shè)備中，實(shí)際應(yīng)用受限。為解決這一問題，研究者們提出了如MobileNet[4],MobileNetV2[5],MnasNet[6]等人輕量化卷積神經(jīng)網(wǎng)絡(luò)，大量減少網(wǎng)絡(luò)計(jì)算的參數(shù)量，并能夠保持與ResNet等算法相近的準(zhǔn)確度，降低網(wǎng)絡(luò)的復(fù)雜度。部分輕量化卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用也有限制，據(jù)文獻(xiàn)[6]所述，MnasNet網(wǎng)絡(luò)在常用分辨率圖像(224×224)中識(shí)別速度快、精度高，但是識(shí)別低分辨率圖像的精度一般。

本文針對(duì)MnasNet網(wǎng)絡(luò)在無法高效識(shí)別低分辨率圖像內(nèi)容問題，對(duì)網(wǎng)絡(luò)模塊進(jìn)行改進(jìn)，將改進(jìn)后的網(wǎng)絡(luò)模塊在CIFAR—10數(shù)據(jù)集中做消融實(shí)驗(yàn)，尋找最優(yōu)的網(wǎng)絡(luò)架構(gòu)，并于CINIC—10數(shù)據(jù)集中驗(yàn)證。

1 算法介紹

1.1 輕量化卷積結(jié)構(gòu)

利用深度可分離卷積結(jié)構(gòu)的MobileNet網(wǎng)絡(luò)不同于標(biāo)準(zhǔn)卷積將輸入特征圖計(jì)算、輸出一次完成，深度可分離卷積將這一過程分解成深度卷積(depthwise)和逐點(diǎn)卷積(pointwise)兩個(gè)步驟完成。

深度卷積將輸入的每張?zhí)卣鲌D進(jìn)行單獨(dú)計(jì)算，逐點(diǎn)卷積就是1×1的卷積用于將每個(gè)深度卷積的輸出組合為一個(gè)整體。假設(shè)輸入一個(gè)H×W×M的特征圖X，輸出特征圖Y為H×W×N，卷積核的尺寸為K，則普通卷積的計(jì)算量為

K2×M×N×H×W

(1)

而深度可分離卷積的計(jì)算量為

K2×M×H×W+M×N×H×W

(2)

將兩種卷積的計(jì)算量進(jìn)行比對(duì)

(3)

假設(shè)卷積神經(jīng)網(wǎng)絡(luò)使用K=3的卷積核，則相對(duì)標(biāo)準(zhǔn)卷積結(jié)構(gòu)，可分離卷積將計(jì)算量降低了8～9倍。

1.1.1 倒置殘差瓶頸塊

MobileNetv2網(wǎng)絡(luò)創(chuàng)新性提出了線性瓶頸和倒置殘差塊兩種改進(jìn)方法，主要表現(xiàn)為在MobileNet網(wǎng)絡(luò)的可分離卷積模塊的輸入端加入1×1的逐點(diǎn)卷積；引入膨脹系數(shù)t，控制卷積模塊的卷積通道數(shù)；構(gòu)造殘差模塊。倒置瓶頸塊的應(yīng)用進(jìn)一步降低了網(wǎng)絡(luò)的復(fù)雜度，其將模塊中第一個(gè)1×1卷積層對(duì)輸入特征圖的通道做t倍的膨脹，最后一個(gè)1×1卷積層將膨脹的通道收斂，降低模塊的計(jì)算量?？煞蛛x卷積(SepConv)模塊和倒置殘差瓶頸(Bottleneck)塊的結(jié)構(gòu)如圖1所示。

圖1 深層可分離卷積的結(jié)構(gòu)

1.1.2 MnasNet

MnasNet網(wǎng)絡(luò)的結(jié)構(gòu)由標(biāo)準(zhǔn)卷積、深度可分離卷積和倒置殘差瓶頸塊等共同組成，主體結(jié)構(gòu)的排布和MobileNetv2網(wǎng)絡(luò)相似。不同的是，MnasNet網(wǎng)絡(luò)在部分卷積層中使用5×5的卷積核，加大網(wǎng)絡(luò)的感受野，提升算法的識(shí)別精度；調(diào)整深度可分離卷積的通道擴(kuò)張系數(shù)，縮減算法的運(yùn)行時(shí)間；網(wǎng)絡(luò)淺層部分的卷積層增加，減少深層部分的卷積層，網(wǎng)絡(luò)的深度不變。這些改進(jìn)使MnasNet網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集測試結(jié)果更加優(yōu)秀，檢索速度是MobileNetv2網(wǎng)絡(luò)的1.5倍而且分類精度不降低。

1.2 改進(jìn)的MnasNet網(wǎng)絡(luò)

1.2.1 金字塔型輕量化卷積瓶頸塊

Yang M等人[7]提出利用密集的金字塔結(jié)構(gòu)(DenseASPP)可以提取更為豐富的圖片特征，在場景分割中取得了優(yōu)秀的表現(xiàn)結(jié)果。受其啟發(fā)，本文將MnasNet網(wǎng)絡(luò)中瓶頸塊的單一的深度可分離卷積構(gòu)建為具有金字塔結(jié)構(gòu)的多個(gè)深度可分離卷積的組合。

文獻(xiàn)[7]中使用的DenseASPP結(jié)構(gòu)由5個(gè)密集連接的空洞卷積[8]組成，通過改變每個(gè)空洞卷積的空洞系數(shù)擴(kuò)張濾波器的尺寸，實(shí)現(xiàn)擴(kuò)大卷積層感受野的目的；另一方面，每個(gè)濾波器的輸出通過“concat”連接[9]方式組合成一個(gè)整體，構(gòu)建具有金字塔結(jié)構(gòu)的多尺度特征圖。本文沒有將空洞卷積運(yùn)用到深度可分離卷積中改變?yōu)V波器的尺寸，因?yàn)榭斩淳矸e雖然可以減少網(wǎng)絡(luò)的參數(shù)量，但是濾波器中補(bǔ)‘0’的部分仍舊參與計(jì)算，并且限制了濾波器輸出的連接方式。文獻(xiàn)[10]提出使用更小的濾波器級(jí)聯(lián)代替較大的濾波器可以極大地減少神經(jīng)網(wǎng)絡(luò)的參數(shù)量和計(jì)算復(fù)雜度，但考慮到當(dāng)前批規(guī)范方法已經(jīng)結(jié)合到深度可分離卷積模塊中，這樣的方式已經(jīng)不再適合。本文假設(shè)基于金字塔結(jié)構(gòu)瓶頸(PSBottleneck)塊的輸入特征圖尺寸為H×W×M，輸出特征圖尺寸為H×W×N，其中一組為5×5的濾波器，另一組為2個(gè)級(jí)聯(lián)的3×3濾波器

C5×5=H×W×M×(25+N)

(4)

C3×3=H×W×M×(9+N)

(5)

?C5×5<2×C3×3,當(dāng)N>7時(shí)

由式(4)和式(5)知，對(duì)于感受野大小相同的情況下，當(dāng)N>7時(shí)，一個(gè)5×5的濾波器的計(jì)算量略低于兩個(gè)級(jí)聯(lián)的3×3濾波器的計(jì)算量。因此，本文采用直接改變?yōu)V波器尺寸的方式構(gòu)建濾波器的金字塔結(jié)構(gòu)—金字塔的每層僅有一個(gè)濾波器；金字塔最上層的濾波器尺寸最小，為3×3，由小到大向下排列，第i層濾波器的尺寸為Kn,Kn=2n+1；濾波器的輸出既可以采用殘差連接的元素和方式組合，亦可以采用通道拼接的方式組合，送入下一個(gè)PSBottleneck塊。PSBottleneck塊的結(jié)構(gòu)如圖2所示。

圖2 PSBottleneck塊結(jié)構(gòu)

由于PSBottleneck塊內(nèi)的每層濾波器都共享逐點(diǎn)卷積的輸出作為輸入，極大地增加了網(wǎng)絡(luò)的參數(shù)量和計(jì)算量，本文引入超參數(shù)β控制逐點(diǎn)卷積的輸出，減小網(wǎng)絡(luò)的空間復(fù)雜度和時(shí)間復(fù)雜度；β作用于每個(gè)PSBottleneck塊的第一個(gè)逐點(diǎn)卷積，調(diào)節(jié)輸入濾波器的特征通道數(shù)。引入超參數(shù)β后的PSBottleneck塊的計(jì)算量為

H×W×βTM×N

(6)

調(diào)節(jié)超參數(shù)β，可以實(shí)現(xiàn)比原瓶頸塊更小的計(jì)算量和參數(shù)量。相較于原瓶頸塊，改進(jìn)的PSBottleneck塊從結(jié)構(gòu)上擴(kuò)展了深度可分離卷積的層數(shù)，并重新設(shè)定深度可分離卷積的卷積核尺寸，其構(gòu)成形式類似于Inception的多級(jí)卷積核并行結(jié)構(gòu)；在參數(shù)方面，引入超參數(shù)β，靈活調(diào)整網(wǎng)絡(luò)的空間復(fù)雜度和時(shí)間復(fù)雜度，在準(zhǔn)確率和速度間實(shí)現(xiàn)平衡。改進(jìn)后的PSBottleneck塊結(jié)構(gòu)依然保持著瓶頸塊的形式，使用簡單、可控。

1.2.2 PSMnasNet網(wǎng)絡(luò)

本文首先將MnasNet網(wǎng)絡(luò)參數(shù)設(shè)置依照MobileNetV2網(wǎng)絡(luò)的設(shè)置逐步更改，然后在CIFAR—10數(shù)據(jù)集上測試，實(shí)驗(yàn)結(jié)果表明過多的下采樣次數(shù)和在網(wǎng)絡(luò)深層部分過大的卷積核尺寸是原MnasNet網(wǎng)絡(luò)不適用于對(duì)低分辨率圖像進(jìn)行特征區(qū)分的主要原因。

PSMnasNet網(wǎng)絡(luò)結(jié)構(gòu)基于調(diào)整下采樣后的MnasNet網(wǎng)絡(luò)架構(gòu)，使用PSBottleneck塊替換原網(wǎng)絡(luò)中的倒置殘差瓶頸塊并根據(jù)特征圖尺寸設(shè)置匹配的池化層。PSMnasNet網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 PSMnasNet網(wǎng)絡(luò)結(jié)構(gòu)

表1中K指代PSBottleneck塊中濾波器的最大尺寸，特征圖分辨率大于等于16時(shí)，采用濾波器尺寸分別為(3,5,7)的3級(jí)PSBottleneck塊；特征圖分辨率大于等于8時(shí)，采用濾波器尺寸為(3,5)的2級(jí)PSBottleneck塊。T指代通道的膨脹系數(shù)；C指代網(wǎng)絡(luò)的通道數(shù)；N指代模塊的重復(fù)次數(shù)；S指代卷積模塊的步長，S作用于每個(gè)重復(fù)的PSBottleneck塊的第一個(gè)模塊中，其余模塊的步長均為1。PSMnasNet網(wǎng)絡(luò)全部使用PSBottleneck塊，網(wǎng)絡(luò)下采樣2次，最終輸出分辨率為8×8的特征圖；另外，PSMnasNet的網(wǎng)絡(luò)結(jié)構(gòu)與原MnasNet網(wǎng)絡(luò)保持一致，包括網(wǎng)絡(luò)中瓶頸塊的排列方式、組合次數(shù)和特征圖通道數(shù)、通道的膨脹系數(shù)等等。

2 實(shí)驗(yàn)與分析

本文的實(shí)驗(yàn)條件為Ubuntu14.04系統(tǒng)，GTX 1070 8G顯卡，PyTorch0.4.1。

2.1 CIFAR—10

CIFAR—10數(shù)據(jù)集包含有60 000張32×32的低分辨率圖像，其測試結(jié)果是網(wǎng)絡(luò)驗(yàn)證自身算法性能的一項(xiàng)重要指標(biāo)。本文將改進(jìn)后的網(wǎng)絡(luò)在CIFAR—10數(shù)據(jù)集上測試，分析超參數(shù)β和PSBottleneck塊的濾波器尺寸對(duì)網(wǎng)絡(luò)的影響。

本文遵循文獻(xiàn)[11]使用的訓(xùn)練策略：優(yōu)化器使用隨機(jī)梯度下降方法；初始學(xué)習(xí)率為0.1，150次迭代后學(xué)習(xí)率下調(diào)10倍，225次迭代后再次下調(diào)10倍；設(shè)定動(dòng)量為0.9；權(quán)重衰減為1×10-4；batch size設(shè)定為128；共計(jì)迭代320個(gè)周期。

本文首先測試MnasNet網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果作為基線：MnasNet網(wǎng)絡(luò)的下采樣次數(shù)是5，參數(shù)量有3.19M，獲得了84.92 %的分類精度；調(diào)整后得到的MnasNet-FT網(wǎng)絡(luò)的下采樣次數(shù)為2，參數(shù)量不變，計(jì)算量上升，網(wǎng)絡(luò)的分類精度提高到93.90 %。

然后，本文比較PSBottleneck塊中特征的連接方式‘Add’和 ‘Concat’對(duì)網(wǎng)絡(luò)性能的影響。設(shè)定β=0.25，混合使用k=5/7的PSBottleneck塊，使用‘Add’方式的網(wǎng)絡(luò)參數(shù)量為0.94M，分類精度達(dá)93.97 %；而使用‘Concat’方式的網(wǎng)絡(luò)參數(shù)量為1.31M，分類精度達(dá)94.37 %。綜合比較后，本文在PSBottleneck塊中選用‘Concat’連接方式。

本文固定PSBottleneck塊的濾波器混合使用K=5(二層濾波器)和K=7(三層濾波器)，分別設(shè)定β為0.10，0.25，0.50，0.75，如圖4所示，通過實(shí)驗(yàn)日志記錄網(wǎng)絡(luò)準(zhǔn)確率變化過程。由圖3觀察可知：當(dāng)β=0.10時(shí)，PSMnasNet網(wǎng)絡(luò)的參數(shù)量不到原網(wǎng)絡(luò)的1/5，但分類精度卻提高了8 %，比MnasNet-FT網(wǎng)絡(luò)減少約0.9 %；當(dāng)β=0.25時(shí)，PSMnasNet網(wǎng)絡(luò)的分類精度已經(jīng)超出MnasNet-FT網(wǎng)絡(luò)約0.5 %，而且參數(shù)量減少約60 %；β對(duì)網(wǎng)絡(luò)精度的影響存在上限，當(dāng)β=0.75時(shí)，網(wǎng)絡(luò)精度隨迭代次數(shù)的變化和β=0.50時(shí)的基本重合，網(wǎng)絡(luò)的參數(shù)量增加，但分類效果不再提升，此時(shí)的最佳分類精度為94.85 %。

圖3 超參數(shù)β的網(wǎng)絡(luò)分類精度

圖4是固定β=0.25后，PSBottleneck塊的濾波器尺寸k影響網(wǎng)絡(luò)分類精度變化的折現(xiàn)圖。PSBottleneck塊的濾波器尺寸k同樣影響網(wǎng)絡(luò)的參數(shù)量和分類性能，但幅度不大。通常而言，PSBottleneck塊的濾波器尺寸k越大，網(wǎng)絡(luò)的參數(shù)量越大，分類精度也越高；但是需要注意的是，特征圖尺寸經(jīng)過下采樣減小后，濾波器尺寸應(yīng)隨著下降，否則為了保持卷積操作前后特征圖尺寸的不變，需對(duì)特征圖進(jìn)行過多的填充，影響提取特征的魯棒性。如圖4中所示，混合使用2層PSBottleneck塊(k=5)和3層PSBottleneck塊(k=7)超過全部使用3層PSBottleneck塊(k=7)約0.2 %的分類精度。

圖4 PSBottleneck塊的濾波器尺寸k的網(wǎng)絡(luò)分類精度

在CIFAR—10數(shù)據(jù)集的實(shí)驗(yàn)中，PSMnasNet網(wǎng)絡(luò)的分類精度比MnasNet網(wǎng)絡(luò)提升了10 %，其中9 %來源于網(wǎng)絡(luò)下采樣次數(shù)的調(diào)整，另外的1 %則源自PSBottleneck塊的應(yīng)用。PSBottleneck塊采用更大的感受野和并行級(jí)聯(lián)的濾波器結(jié)構(gòu)，提取更為豐富的圖片特征，實(shí)現(xiàn)網(wǎng)絡(luò)準(zhǔn)確率的提升。PSMnasNet網(wǎng)絡(luò)精度的提升存在上限，當(dāng)β=0.50時(shí)，網(wǎng)絡(luò)的分類精度已接近極值點(diǎn)；β繼續(xù)增大，只能使網(wǎng)絡(luò)的空間復(fù)雜度增加，而網(wǎng)絡(luò)的分類精度增加非常微小。另外，超參數(shù)β與網(wǎng)絡(luò)的參數(shù)量呈現(xiàn)線性關(guān)系：y=βx+b。其中y為網(wǎng)絡(luò)的參數(shù)量，x是β=1時(shí)所有PSBottleneck塊的參數(shù)量，約為4.7 M，b是網(wǎng)絡(luò)中非PSBottleneck塊網(wǎng)絡(luò)層的參數(shù)量，約為0.13 M。

2.2 CINIC—10

隨著深度學(xué)習(xí)的快速發(fā)展，圖片數(shù)量限制了CIFAR—10數(shù)據(jù)集[12]評(píng)價(jià)指標(biāo)的置信度。作為CIFAR—10數(shù)據(jù)集的擴(kuò)充，CINIC—10[7]數(shù)據(jù)集有圖片27萬張，均為32×32的低分辨率圖像，和CIFAR—10數(shù)據(jù)集相同的10個(gè)分類；圖片平均分布于訓(xùn)練集、驗(yàn)證集和測試集中；圖片一部分來源于CIFAR—10數(shù)據(jù)集，另一部分來源于下采樣的ImageNet圖像，圖像的識(shí)別難度加大，算法在真實(shí)背景下物體識(shí)別能力的置信度更高。如圖5所示，本文從CINIC—10數(shù)據(jù)集的每個(gè)分類中隨機(jī)抽取5張圖片，從左向右依次是飛機(jī)、汽車、鳥、貓、鹿、狗、青蛙、馬、船、卡車。

圖5 CINIC—10數(shù)據(jù)集10個(gè)子類圖

本文將CINIC—10數(shù)據(jù)集的驗(yàn)證集圖像融入到訓(xùn)練集中，此時(shí)的CINIC—10數(shù)據(jù)集訓(xùn)練集中含有18萬圖片，測試集有9萬張圖片。CINIC—10數(shù)據(jù)集官方給出的訓(xùn)練策略和超參數(shù)為：優(yōu)化器為隨機(jī)梯度下降方法；學(xué)習(xí)率為初始為0.1，余弦退火下降至0；moment為0.9；權(quán)重衰減為1×10-4；批為訓(xùn)練批64，測試批50；迭代次數(shù)為300。

本文采用在CIFAR—10數(shù)據(jù)集上分類精度和網(wǎng)絡(luò)參數(shù)量均衡的PSMnasNet網(wǎng)絡(luò)(β=0.25，混合使用濾波器最大尺寸為5和7的PSBottleneck塊)應(yīng)用于CINIC—10數(shù)據(jù)集，并與當(dāng)前一些經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)比對(duì)，實(shí)驗(yàn)結(jié)果如表2所示。

表2 CINIC—10數(shù)據(jù)集中部分經(jīng)典網(wǎng)絡(luò)的性能表

如圖6所示,PSMnasNet網(wǎng)絡(luò)對(duì)CINIC—10數(shù)據(jù)集中10個(gè)子集的分類精度的排序與原MnasNet網(wǎng)絡(luò)一致，從高到低依次是青蛙、飛機(jī)、船、馬、汽車、鳥、卡車、鹿、貓和狗，但各子集的分類精度有著較大的改善，尤其是識(shí)別效果最差的狗類子集圖像，PSMnasNet網(wǎng)絡(luò)提高了約25 %的分類精度。

圖6 CINIC—10數(shù)據(jù)集10分類精度直方圖

3 結(jié) 論

MnasNet網(wǎng)絡(luò)作為當(dāng)前一種高效的輕量化卷積神經(jīng)網(wǎng)絡(luò)，由于自身的部分結(jié)構(gòu)限制，不適合運(yùn)用于低分辨率圖像識(shí)別領(lǐng)域。本文根據(jù)低分辨率圖像的特點(diǎn)，適當(dāng)調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)，并在CIFAR—10和CINIC—10數(shù)據(jù)集中進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，PSMnasNet網(wǎng)絡(luò)對(duì)低分辨率圖像有著良好的識(shí)別效果，而且網(wǎng)絡(luò)的參數(shù)量更少，空間復(fù)雜度更低，可以用于代替MnasNet網(wǎng)絡(luò)執(zhí)行低分辨率圖像的分類。