CNN结构基本情况

深度学习是机器学习算法研究中新开辟的研究方向，在图像领域的应用是最开始的尝试。近年以来，计算机视觉领域和 CNN 网络结构的不断更新发展，出现了一批代表性的深度卷积神经网络。本章节主要介绍目标检测算法 YOLO 系列借鉴了设计思想的这些框架，分别是：Le Net、Alex Net、VGG、Goog Le Net和 Res Net。表 1 所示，介绍了代表性的 CNN 结构基本情况。

1 LeNet

LeNet 卷积神经网络是由深度学习三巨头之一的 Yan Le Cun于 1994 年提出来的。其对构建的 MNIST手写字符数据集进行分类。LeNet 的提出确立了 CNN 的基本网络架构。如下图所示，Le Net 通过输入32 ×32 字符矩阵经过卷积层、下采样层、全连接层进行图像的分类识别。但因为当时硬件技术的局限性和训练数据的不丰富性，Le Net 模型的运算效果并不是特别突出，但此特征网络的提出，为后续 Alex Net 的出现提供了重要的参考。

2 Alex Net

Alex Net的出现，标志着深度卷积神经网络开启了创新的新时代。之前由于硬件技术的局限性，CNN的学习能力、图像分类能力有限，而在 2012 年提出的卷积神经网络 Alex Net 采用了两个 GPU（NVIDIA GTX 580）来训练模型，然后将两个 GPU 上的特征图进行合并，采用的数据集是 Image Net（1500 多万个标记的图像，2.2万个类别），并在2012 ILSVRC大赛以优异的性能在计算机视觉领域展现了自己的实力。如图下图所示，Alex Net 的网络结构包括 5 层卷积、3 层池化和 3 层全连接，特征提取能力得到了提高，对大规模的数据集有更好的拟合能力。并且，在训练阶段，通过在模型随机的添加几个转换单元来确保网络具有较好的鲁棒性。其结构创新的要点为：

（1）使用 Re LU 作为非线性激活函数，减少梯度消失现象，提高收敛率，减少训练时间。

（2）使用大尺寸卷积核（5×5和11×11），提高网络感受野。 （3）加入 Drop Out 层抑制过拟合。 （4）使用数据增强技术，对图像进行训练时，随机的添加平移缩放、裁剪旋转、翻转或增减亮度等操作，产生一系列和输入图像相似但又不相同的数据，从而扩充了训练的数据集。

3 VGG

VGG（Visual Geometry Group）多层网络模型，比 Alex Net 和 Zef Net 的深度多了 19 层，验证了在网络结构上增加深度可以直接影响模型性能。VGG 有两种结构，分为 VGG16 和 VGG19，这二者的区别只在于网路深度不同。VGG 的设计思想是增加网络深度，改用小尺寸的卷积核。如下图所示，具体操作为：采用 3 个3×3 卷积核来替换 Alex Net 中的 7×7 卷积核，采用 2 个3×3 卷积核替换5×5卷积核，这样的设计可以在保证具有相同感受野的前提下，增加网络深度，提升模型效果，且改用小的3×3 Filters 可减少模型参数量和运算量，可以更好地保留图像特征信息。具体的改进优点总结为以下几点：

（1）采用3×3 小滤波器替换大尺寸卷积核

（2）替换卷积核后，卷积层的感受野相同

（3）每层卷积操作后通过 Re LU 激活函数和批处理梯度下降训练

（4）验证了增加网络深度，可以提升模型性能 虽然，VGG 在 2014 年因其更深的网络结构和计算低复杂度的优势，使其在图像分类和定位问题上取得了很好地成绩，但它使用了 1.4 亿个参数，计算量很大，这是它的不足之处。

4 Goog Le Net

Goog Le Net是由 Google 提出的，获得了 Image Net 大赛冠军。其架构设计的核心是在保证高水准的精确性 Inception 的目标前提下，降低模型的计算成本。与 VGG 相比，Goog Le Net 是一个网络深度为 22 层的卷积神经网络，它不以传统 CNN 卷积层的串联堆叠为架构基础，而是创新的提出了 Inception 结构，用NIN（Networkin-Network）替换普通卷积层。如下图所示，该结构包含了 5×5 、 3×3 、1×1 滤波器，以便于在不同空间分辨率范围内捕捉通道信息和空间特征，添加一个1×1滤波器，作为 Bottle Neck ，来提高网络的效率，提升模型学习特征的能力。使用平均池化层代替全连接层，将 7×7×1024 的体积降到了 1×1×1024 ，减少了大量的参数。此外，Goog Le Net 还提出了辅助分类器 Soft Max，以加快收敛速度。但 Goog Le Net 也有短板，其表征堵塞会减少下一层的特征空间，反过来又可能会丢失有用的特征。

5 Res Net

Res Net（Residual Network）残差网络是 Kaiming He提出来的，并在 2015 ILSVRC 大赛以 3.57%的错误率获得了冠军。在之前的网络中，当模型深度不够，其网络识别能力不强，但当网络堆叠（Plain Network）很深的时候，网络梯度消失和梯度弥散现象明显，导致模型的运算效果却不升反降。因此，鉴于此深层网络的退化问题，Res Net 设计了一个不存在梯度消失问题的超深度网络。Res Net 根据层数的不同，从 18 层到 1202 层，有多种类型。以 Res Net50 为例，它由 49 个卷积层和 1 个全连接层组成，如下图所示。这种简单的加法并不会给网络增加额外的参数和计算量，同时却可以大大增加模型的训练速度、提高训练效果，并且当模型的层数加深时，这个简单的结构能够很好的解决退化问题。Res Net 提出了短径连接，当网络性能已达到最优，继续加深网络，残差映射将被设置为 0，只剩下恒等映射，加速网络收敛，这样就可以使得网络一直处于最优状态了，网络的性能也就不会随着深度增加而降低了。

审核编辑 ：李倩