劉 鵬

(蘇州盛景信息科技股份有限公司，江蘇 蘇州 215004)

0 引言

圖像分類技術(shù)在圖像檢索、用戶搜索行為分析、人臉識別等領(lǐng)域有著廣泛的應(yīng)用前景。目前國內(nèi)外學(xué)者對圖像分類和識別方向的研究都是基于開放的圖像數(shù)據(jù)集，例如有COCO[1]、CIFAR10[2]、MNIST[3]、ImageNe[4]和Fasion-MNIST等圖像集，其中，COCO圖像集是微軟發(fā)布的大規(guī)模對象檢測、分割和字幕數(shù)據(jù)集，MNIST圖像集是訓(xùn)練各種數(shù)字圖像識別，同時也是最先用在卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，ImageNe圖像集是一個用于視覺物品識別研究的大型數(shù)據(jù)集，包含了超20 000個類別和超1 400萬個圖像以及每個圖像上的標(biāo)注。Fasion-MNIST圖像集是用于衣服的識別。本文采用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)模型，選取包含了10個分類由60 000個32×32彩色圖像組成的CIFAR10圖像集作為訓(xùn)練集，提出將圖像增強(qiáng)技術(shù)應(yīng)用在圖像集上，通過對圖像的預(yù)處理從而達(dá)到增強(qiáng)圖像特征層信息的目的，有效地避免了訓(xùn)練集中圖像的冗雜，從而實現(xiàn)對CIFAR10圖像集中所有圖像的有效分類。

1 殘差網(wǎng)絡(luò)

2015年，何愷明在CNN的神經(jīng)網(wǎng)絡(luò)模型中引入了一種稱為殘差網(wǎng)絡(luò)的新結(jié)構(gòu)(ResNet)[5]，殘差網(wǎng)絡(luò)的技術(shù)如圖1所示，可以實現(xiàn)連接跳過幾層的訓(xùn)練并直接連接到輸出。

圖1 殘差塊

殘差網(wǎng)絡(luò)是為了在進(jìn)一步加深網(wǎng)絡(luò)結(jié)構(gòu)的同時，能夠?qū)W習(xí)到更精細(xì)的特征從而提高網(wǎng)絡(luò)精度，首先實現(xiàn)的一點就是恒等映射H(x)=x，所以何愷明等人將網(wǎng)絡(luò)設(shè)計成H(x)=F(x)+x，即F(x)=H(x)-x[5]。這樣隨著網(wǎng)絡(luò)的加深，F(xiàn)(x)便會逼近于0，從而實現(xiàn)恒等映射。殘差塊的優(yōu)點是如果有任何層損壞了架構(gòu)的性能，那么它將被正常化跳過。因此，使用殘差塊后可以訓(xùn)練得到非常深的神經(jīng)網(wǎng)絡(luò)，而不會因梯度消失或者爆炸梯度而導(dǎo)致的問題。ResNet50是一個易于使用和優(yōu)化、具有更小的卷積核的殘差學(xué)習(xí)網(wǎng)絡(luò)框架，因此，本文將采用基于殘差神經(jīng)網(wǎng)絡(luò)框架的ResNet50網(wǎng)絡(luò)作為圖像分類訓(xùn)練的模型。

2 圖像數(shù)據(jù)集和圖像數(shù)據(jù)增強(qiáng)技術(shù)

2.1 圖像數(shù)據(jù)集CIFAR10

CIFAR10是一套典型的用來訓(xùn)練機(jī)器學(xué)習(xí)與電腦視覺演算法的圖像集[2]，其包括60 000幅32×32的10種不同類型的彩色圖片，這10個類別分別是飛機(jī)、汽車、鳥類、貓、鹿、狗、青蛙、馬、船和貨車。每一類均有6 000幅圖片，其中5 000張的訓(xùn)練圖像和1 000張的測試圖像。由于CIFAR10中的圖像分辨率為32×32像素，因此該數(shù)據(jù)集通常被科研人員用于測試各種網(wǎng)絡(luò)，且各種卷積神經(jīng)網(wǎng)絡(luò)也往往最擅長識別CIFAR10中的圖像。因此本文所設(shè)計的圖像分類系統(tǒng)選取CIFAR10作為圖像分類模型的數(shù)據(jù)集。

2.2 圖像數(shù)據(jù)增強(qiáng)技術(shù)

為了提高數(shù)據(jù)集的分類準(zhǔn)確率，以鳥的類別為例，本文將對此采取了色彩空間轉(zhuǎn)換和噪聲注入的圖像數(shù)據(jù)增強(qiáng)技術(shù)。

2.2.1 色彩空間轉(zhuǎn)換

簡單的色彩強(qiáng)化就包括了隔離每一個色彩通道,比如,使用RGB通過隔離該矩陣和在其他的色彩通道加入二個零矩陣,就能夠使圖形迅速地轉(zhuǎn)化為它在一個色彩通道上的表現(xiàn)。本文將通過grey，hsv，yuv3種不同的顏色轉(zhuǎn)換來進(jìn)行展示[4]。

2.2.2 噪聲注入

噪聲注入包含了一個隨機(jī)值矩陣，該矩陣一般是從高斯分布中提取的。本文將噪聲矩陣加入圖像中可以使得優(yōu)化后的卷積網(wǎng)絡(luò)模型獲得更多的特征。可以清晰地看出加入噪聲和不加噪聲在圖片上的區(qū)別。

3 圖像分類模型

3.1 圖像分類模型構(gòu)建

基于CIFAR10圖像集的圖像分類模型的構(gòu)建流程如圖2所示，分為以下3步驟。

圖2 圖像分類模型構(gòu)建流程

步驟1：需要從本地加載圖片，并將圖片進(jìn)行預(yù)處理操作。

步驟2：建立ResNet50神經(jīng)網(wǎng)絡(luò)模型，并利用遷移學(xué)習(xí)技術(shù)來提取圖片的特征參數(shù)。

步驟3：將輸出的特征參數(shù)進(jìn)行特征匹配，設(shè)置CIFAR10圖像集中的10個分類對應(yīng)10個不同范圍，如果輸出的參數(shù)在某一范圍便返回某一類別。

3.2 模型訓(xùn)練

為了更好地優(yōu)化模型，以便能提升圖像分類識別的準(zhǔn)確率，本次模型訓(xùn)練將分為以下兩個階段進(jìn)行。

階段1：對已有的模型參數(shù)進(jìn)行調(diào)整。由于模型中最后的特征輸出層為2 048維，所以在進(jìn)行外積操作時可能會因維度過大導(dǎo)致顯存爆炸，因此，利用1×1卷積將特征輸出的維度降成1 024維，并添加正則化技術(shù)和激活函數(shù)來避免過擬合和梯度爆炸。由于ResNet50的訓(xùn)練模型使用遷移學(xué)習(xí)進(jìn)行預(yù)習(xí)的，因此可以將預(yù)先訓(xùn)練的權(quán)重裝入已建立的ResNet50模型中，在提高訓(xùn)練時間的前提下，達(dá)到較好的分類效果[6]。

階段2：通過對階段1中出現(xiàn)的損耗和精度進(jìn)行觀察，并對各權(quán)重進(jìn)行重新調(diào)整。利用ResNet50的預(yù)訓(xùn)練模型，對殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行初值重建，固定預(yù)訓(xùn)練卷積層的參數(shù)，只訓(xùn)練未參加預(yù)訓(xùn)練的卷積層，以便獲得較好的殘差網(wǎng)絡(luò)參數(shù)；采用模型優(yōu)化技術(shù)，在其之后加入 Dropout層和RELU線性整流函數(shù)，逐步對網(wǎng)絡(luò)進(jìn)行優(yōu)化；最后采用反向傳播算法對已優(yōu)化好的殘差神經(jīng)網(wǎng)絡(luò)進(jìn)行加權(quán)更新，直到網(wǎng)絡(luò)收斂。

3.3 模型訓(xùn)練結(jié)果

由于Pytorch-lightning可以很好地將訓(xùn)練過程進(jìn)行復(fù)現(xiàn)，考慮到訓(xùn)練時間和算力的消耗，本次圖像分類模型第二階段僅迭代50次，通過Tensorboard工具將預(yù)測結(jié)果和模型損失以可視化的方式進(jìn)行展現(xiàn)。

這里，Train_loss為訓(xùn)練集的損失量，經(jīng)歷了一次迭代之后，損失率便出現(xiàn)了大幅度下降，這是因為遷移學(xué)習(xí)已經(jīng)預(yù)先加載好權(quán)重。Train_acc為訓(xùn)練集的準(zhǔn)確率，經(jīng)歷了50次迭代后，訓(xùn)練集的準(zhǔn)確率已經(jīng)逼近于百分之九十，由于實驗時迭代次數(shù)較少，從而導(dǎo)致了準(zhǔn)確率產(chǎn)生波動，未能達(dá)到更高的準(zhǔn)確率。Val_loss為測試集的損失，在經(jīng)過幾輪迭代后，損失率降至1.5左右，和訓(xùn)練集的損失率基本持平。Val_acc為測試集的準(zhǔn)確率，由于測試集圖片數(shù)量相對較少，但其準(zhǔn)確率也高達(dá)到95%，其幅度在經(jīng)歷了幾次迭代后逐漸轉(zhuǎn)為平穩(wěn)。

4 圖像分類測試結(jié)果

通過加載上文訓(xùn)練得到的圖像權(quán)重值和構(gòu)建的ResNet50模型，圖像分類實現(xiàn)步驟：

步驟1：為了增加結(jié)果的準(zhǔn)確率，在進(jìn)行分類識別前利用圖像增強(qiáng)技術(shù)對圖像進(jìn)行預(yù)處理。

步驟2：分別加載訓(xùn)練階段的殘差神經(jīng)網(wǎng)絡(luò)和訓(xùn)練好的權(quán)重。

步驟3：將權(quán)重和圖像進(jìn)行匹配，獲得圖像的所屬類別及識別準(zhǔn)確率。

步驟4：利用matplotlib庫將圖像和分類結(jié)果以可視化進(jìn)行展示。

最后，通過CIFAR10圖像集來驗證本文模型的圖像分類結(jié)果是否達(dá)到需求，下列所示為本文模型在CIFAR1中的識別結(jié)果，從表1的結(jié)果可以看出10類圖像結(jié)果均達(dá)到了90%以上的準(zhǔn)確率。

表1 圖像分類測試結(jié)果

5 結(jié)語

本文設(shè)計的圖像分類模型引入RELU激活函數(shù)和正則化技術(shù)來對整個模型進(jìn)行優(yōu)化。通過ReLU激活函數(shù)可以使網(wǎng)絡(luò)隨機(jī)梯度下降和反向傳播算法更加有效，避免梯度爆炸和梯度消失的問題，同時在池化層的后面添加Dropout層來防止網(wǎng)絡(luò)過擬合。為了加快深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，可以在兩個卷積層之間施加附加的限制，從而使各層網(wǎng)絡(luò)的輸入平均值與方差值在某一區(qū)間。

從圖像分類預(yù)測結(jié)果可以看出，本文設(shè)計的圖像分類神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到CIFAR10圖像集上的圖像分類識別準(zhǔn)確率高，具有較好的魯棒性，識別準(zhǔn)確率基本能夠達(dá)到90%以上。但由于硬件限制，本文實驗所采用的GPU環(huán)境都部署在云端，并不能很好地調(diào)動GPU性能，如果有計算性能更好的硬件環(huán)境和設(shè)備，在滿足最大顯存的要求下，通過提高batch_size和增加迭代次數(shù)又或者更換神經(jīng)網(wǎng)絡(luò)模型，來提高訓(xùn)練的準(zhǔn)確率。