程飛飛 王龍 諶洪茂

（東華理工大學信息工程學院，南昌，330013）

0 引言

圖像的場景分類在互聯(lián)網(wǎng)及各種應(yīng)用中有著廣泛的需求，如何使得電腦能夠像人一樣準確地將一個場景做出精準而詳盡的分類被認為是一項有重要意義的基礎(chǔ)研究[1]。機器視覺和深度學習是人工智能技術(shù)的重要研究方向和發(fā)展熱點，其幫助構(gòu)建深度人工神經(jīng)網(wǎng)絡(luò)，基于物理特征提取和學習的算法對圖片特征進行分類，通過深層神經(jīng)網(wǎng)絡(luò)，把逐層提取出的數(shù)據(jù)由底層到高層傳送[2]。本文提出的一種基于遷移學習方法改進VGG模型，應(yīng)用在圖片的場景分類上，能極大提高圖片場景分類精度和速度。

1 數(shù)據(jù)集

本文中所使用的數(shù)據(jù)集是Baidu AI Studio人工智能學習與實訓社區(qū)的場景相結(jié)合進行分類中的一個數(shù)據(jù)集，從一萬張的圖片中篩選得出了3500張比較好的場景，分別歸納為5個不同的實訓場景，分別為草坪、河水、冰雪、沙漠、教堂。從這些圖片中再篩選出大約75%左右的圖片作為一個訓練集，大約15%的圖片作為檢測測試集，大約10%左右的圖片作為檢測驗證集，其中每張圖像的尺寸都是不盡相同的。

2 場景分類算法設(shè)計步驟

2.1 圖像預處理

由于每張圖片的尺寸和大小不同，首先將數(shù)字化圖像切割并對其進行一個小幅度的縮放，然后縮放后的整張數(shù)字化圖片再次進行裁剪，即可以得出224×224大小的整張數(shù)字化圖片，再進行像素的歸一化處理，將處理好的圖像存儲到數(shù)組中。

2.2 數(shù)據(jù)增強

采用隨機數(shù)據(jù)圖片加權(quán)長度增強分析算法，將每一個輸入的圖片數(shù)據(jù)長度量化到0~1之間；再將計算得出來的每張輸入照片的圖像分別進行一定的頻率和幅度不同的水平旋轉(zhuǎn)，本文中各個頻率和幅度旋轉(zhuǎn)點的角度分別為15°、30°、90°；每一張輸入的圖片都是可以被認為在空間和寬度上同時進行了隨機的、非固定水平方向的均值平移；每一張輸入的圖片，還可以被認為在高度方向上進行了隨機的水平和垂直方向的平移，通過這種方向的偏移，得到對于一個整張輸入圖片的非固定高度水平百分比；對于某一張圖片，可以一定的隨機概率對其他圖片分別進行隨機的任何一個水平方向的翻轉(zhuǎn)。

2.3 模型的構(gòu)造和訓練

本文選擇VGG16卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，同時考慮數(shù)據(jù)集中所使用圖片的總量只有3500張圖片，比較深的網(wǎng)絡(luò)結(jié)構(gòu)容易產(chǎn)生過擬合，故設(shè)計采用遷移學習改進VGG16卷積深度神經(jīng)網(wǎng)絡(luò)，使用已經(jīng)訓練好的參數(shù)進行網(wǎng)絡(luò)的初始化。

3 基于遷移學習卷積神經(jīng)網(wǎng)絡(luò)算法原理

3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文選取基于 VGG16 網(wǎng)絡(luò)架構(gòu)的來構(gòu)建深度學習神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，為了達到提高和增強模型的泛化性和適應(yīng)力的目的，也防止在小數(shù)據(jù)上產(chǎn)生或者造成過擬合的情況,采取遷移式機器學習的方法，使用先前在ImageNet上訓練的VGG16神經(jīng)網(wǎng)絡(luò)的參數(shù)來對網(wǎng)絡(luò)信號進行初始化設(shè)置。

VGG16的網(wǎng)絡(luò)設(shè)計采用卷積式多層神經(jīng)網(wǎng)絡(luò)，如圖1為VGG16網(wǎng)絡(luò)結(jié)構(gòu)圖，通過對卷積核心層進行反復計算，添加3×3的卷積優(yōu)化核和2×2最大的卷積池化層。VGG16共有16層，包括13層卷積優(yōu)化層和3層完整的全方向連接層[1，3]。VGG16輸入224×224×3的卷積池化核結(jié)構(gòu)圖片，經(jīng)過兩次繼續(xù)連接一塊含有64個卷積池化核的最小卷積池化層后，連接一個最大的卷積池化層；之后，又經(jīng)過兩次繼續(xù)連接一個含有128個卷積池化核的卷積池化層后，連接一個最大的卷積池化層；再經(jīng)過三次繼續(xù)連接一個含有256個卷積池化核的最小卷積池化層之后，連接一個最大的卷積池化層；重復兩次三個最小卷積核中分別含有512個卷積再進行了三個核卷的池積后，再對其他核進行最大的卷積池化[4]。最后將提取之后的特征送入到這三個全連接層中。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中，conv表示該層是卷積優(yōu)化層，pool表示池化層，fc表示全連接層，Size表示該層處理的圖片大小，比如，Size：224表示該層處理的圖片像素大小為224×224。

3.2 過擬合及解決方法

過擬合是模型參數(shù)在擬合過程中，由于訓練數(shù)據(jù)中包括一些抽樣誤差，網(wǎng)絡(luò)模型把抽樣時產(chǎn)生的誤差考慮在內(nèi)，從而產(chǎn)生過擬合。過擬合表現(xiàn)為訓練集的數(shù)量級和模型的復雜度不匹配；訓練集和測試集特征分布不一致，權(quán)值學習迭代次數(shù)足夠多，擬合了訓練數(shù)據(jù)中的噪聲和訓練樣例中沒有代表性的特征[5]。為了解決過擬合問題，筆者首先想到采用數(shù)據(jù)增強獲取更多的數(shù)據(jù)，讓模型“看見”盡可能多的例外情況，它就會不斷地修正自己，從而得到更好的結(jié)果；其次采用k折交叉驗證的方法，可以獲取一個安全、可靠、穩(wěn)定的驗證模型。

由于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)比較復雜，需要大量的訓練和數(shù)據(jù)庫來支撐和維護其進行訓練，故采用圖像增強是一種常見有效的手段，也是一種很常見的提升卷積神經(jīng)網(wǎng)絡(luò)的魯棒性并且可以減少過擬合的有效手段[6]。本文通過對圖像進行旋轉(zhuǎn)、平移、鏡像、裁剪、縮放等多種方式進行擴充，從而拓展數(shù)據(jù)的訓練集。圖2為數(shù)據(jù)增強前后對比。

圖2 圖片數(shù)據(jù)增強

3.3 k折交叉驗證

如圖3所示，通過10折交叉方法對數(shù)據(jù)進行檢驗其是否合格，將所有測試數(shù)據(jù)集各自分解為9-10份，輪流將其中9份分別當作一次訓練，1份每次都要進行一次交叉的驗證[5]。10次的交叉驗證測試結(jié)果的算法平均值，一般都可以直接用來計算作為對于測試算法評價準確性和精度的平均值估計，一般還很有可能會根據(jù)實際應(yīng)用情況重新計算多次10折交叉對象進行驗證測試，以便重新尋找它們的平均值。交叉數(shù)據(jù)驗證不僅可以很好地做到充分利用大量的驗證數(shù)據(jù)，在一個有效無限量的驗證數(shù)據(jù)集上快速尋找合適的驗證模型和計算參數(shù)，并能有效地減少過擬合。

如圖3所示，Training set是一個訓練集，分10次迭代，在訓練集中輪流取測試組進行迭代。其中，1st iteration表示第一次迭代，2st iteration表示第二次迭代，依此類推；Training fold表示在訓練集中選取的訓練組，Test fold表示在訓練集中選取的測試組；E1表示第一輪迭代輸出，E2表示第二輪迭代輸出，依此類推。

圖3 10折交叉驗證圖

3.4 遷移學習

把在ImageNet數(shù)據(jù)集上已經(jīng)訓練的VGG16的模型進行遷移，用來解決對場景分類的現(xiàn)實需求，這一方面可以有效地降低實驗的成本和精力的消耗，另一方面可以提高實驗的預期，因為僅僅需要進行參數(shù)的微調(diào)就會達到盡可能高的預期結(jié)果，更重要的是有了前人的參數(shù)經(jīng)驗，對后續(xù)的實驗實現(xiàn)更加優(yōu)化的分類模型的構(gòu)建奠定了基礎(chǔ)。

3.5 模型的損失函數(shù)和優(yōu)化方法

在場景分類任務(wù)中，模型訓練的時候會產(chǎn)生一定的訓練損失，所以為了降低訓練損失，需要添加交叉熵損失的函數(shù)，并且在其中添加一個合理的正則化項，使用的計算方法主要有兩大公式，如公式（1）、公式（2）所示，這樣可以有效地減少過擬合的風險，正則化項可以使用L2范數(shù)[2]。

本文采用的隨機直接優(yōu)化下降算法是 Adam（Adaptive Moment Estimation）隨機直接優(yōu)化下降算法，是一種通過直接優(yōu)化替代傳統(tǒng)隨機優(yōu)化算法來直接實現(xiàn)的，可以代替隨機優(yōu)化梯度的下降[5]，還可以通過對現(xiàn)有訓練神經(jīng)數(shù)據(jù)模型進行迭加替代和數(shù)據(jù)更新來快速獲得訓練神經(jīng)網(wǎng)絡(luò)的精確權(quán)重。Adam所運用的原理是，運用梯度中的一階矩陣和二階矩陣來對估計的各個參數(shù)進行動態(tài)調(diào)整的學習率[6]，它的主要優(yōu)勢之一是經(jīng)過偏執(zhí)性的校正后，每一次迭代的學習頻率都能夠在一個相對穩(wěn)定的范圍內(nèi)，使得該參數(shù)在運算時不會發(fā)生很大的振動或者震蕩，而是更加平穩(wěn)地發(fā)生變化。其公式定義見公式（3）。

4 研究應(yīng)用與成果

使用前面提到的數(shù)據(jù)集和百度Baidu AI Studio平臺進行模型設(shè)計與訓練實驗結(jié)果如下：

在全連接層中，一層包含有256個神經(jīng)元，筆者采用隨機失活（Dropout）， 失活比例為0.5，學習率 (lr)=0.001，批次數(shù)量 (batchsize)=64。

正確分類的場景圖片占全部的場景圖片的比例稱為準確率，當模型處于最后一個預測階段，如果全連接層輸出的預測數(shù)據(jù)與真實場景中的預測數(shù)據(jù)類別相同，則認為這個樣本被歸類正確。

通過對實驗結(jié)果分析可得，在網(wǎng)絡(luò)參數(shù)如表1的條件下，訓練集的最終準確率可達到0.984375，訓練損失值僅為0.00740643，準確率和損失值曲線基本趨向一致。

表1 網(wǎng)絡(luò)所含參數(shù)

表2 模型評估標準值

由圖4可知，該圖片中有大量草地，應(yīng)該歸類于草坪（lawn）類，故模型預測的結(jié)果完全正確。該神經(jīng)網(wǎng)絡(luò)的準確率達到分類的需要，可以正常使用。然而，即便達到了這么高的準確率，但是模型提升的空間是非常巨大的，暫時還不能對多場景進行分類，還需要對模型識別的廣泛性進行研究，以完善模型結(jié)構(gòu)，獲得更優(yōu)秀的結(jié)果。

圖4 模型預測樣本結(jié)果

模型訓練20輪的訓練損失以及訓練的準確率如圖5、圖6所示。

圖5 訓練損失

圖6 訓練準確率

如圖7所示，隨著Epoch 的增加(神經(jīng)網(wǎng)絡(luò)訓練信息的次數(shù))，使用訓練的數(shù)據(jù)和對測試的數(shù)據(jù)進行評價的識別精確性都大大提高，并且這兩個信息的識別精確性和準確率幾乎完全不存在任何差異(這兩條信息線基本重疊在一起)。因此，可以認為這次神經(jīng)網(wǎng)絡(luò)在訓練的過程中沒有出現(xiàn)任何被擬合的情況，該神經(jīng)網(wǎng)絡(luò)是可以正常使用的。

圖7 多輪訓練下的識別準確率

5 總結(jié)

本文設(shè)計基于遷移學習改進的VGG16卷積神經(jīng)網(wǎng)絡(luò)對場景進行分類，采用圖片增強進行數(shù)據(jù)預處理來解決過擬合問題，采用k折交叉驗證方法改變?nèi)B接層的結(jié)構(gòu)，實驗結(jié)果證明效果良好，模型的泛化能力較強，識別準確率較高，能達到98%左右。但是，由于實驗分類類別過少，分類背景不夠復雜，模型和方法在適應(yīng)更復雜同類任務(wù)時可能還要做進一步的優(yōu)化和改進。