前言

传统视觉算法采用手工设计特征与浅层模型，而手工设计特征依赖于专业知识，且泛化能力差。深度学习的出现改变了这一状况，为视觉问题提供了端到端的解决方案。在之前的课程中，我们已经学习了图像分类的传统知识。在本节课中，我们将学习到图像分类融合深度学习的方法。

一、视觉算法设计流程的演化

下面是传统视觉算法和深度学习算法的区别：

• 传统视觉算法采用手工设计特征与浅层模型；

• 手工设计特征依赖专业知识(Domain knowledge)，且泛化性能差；

• 深度学习的出现改变了这一状况，为视觉问题提供了端到端的解决方案。

接下来，我们以人脸识别任务为例，对传统方法和深度学习方法进行一个比较：

传统方法的思路如下：

深度学习方法的思路如下：

下面是深度学习方法的一些优点：

  • 深度模型更适合处理大数据，随着训练数据规模增大，性能不断提升。
  • 而浅层模型随训练数据的增加，性能提升不明显。

如下图所示：

并且，通过数据驱动的方式学出的深度特征，具有更强的泛化性能。

二、分层级深度特征

在了解了深度学习视觉算法的设计流程之后，我们还需要学习一下分层级的深度特征。

不同层级的卷积层所学习到的图像特征具有分层的特性

• 浅层: 学习到图像的低级（Low-level）特征，如颜色、边缘、纹理

• 深层: 学到图像的高级（High-level）特征，如物体位置、语义类别

我们以AlexNet为例，对每一层卷积层进行说明：

1）AlexNet中第一层卷积的滤波器96x[11x11x3] 学到edge, color, blob 等底层特征，与手工设计滤波器组相似。

2）第二层对继续对角点和其他的边缘/颜色信息进行相应

3）第三层具有更复杂的不变性，捕获相似的纹理

4）第四层显示了显著的变化，并且更加类别具体化。而第五层显示了具有显著姿态变化的整个对象。

三、常见的深度神经网络类型

我们将依次介绍如下4种常见的深度神经网络类型，这在之前的深度学习课程上面也学习过，在此仅作为复习使用：

• 全连接网络 (Fully Connected Net)

• 卷积网络 (Convolution Net)

• 递归网络 (Recurrent Net)

• Transformer

3.1 全连接网络

3.2 卷积网络

对于卷积神经网络，我们需要知道参数量的计算、卷积层的3个主要特点、卷积的过程和空洞卷积的概念和意义、上采样的概念和计算，批量归一化的定义和优缺点。

3.2.1 卷积层参数量的计算

3.2.2 卷积层的特点（重要）

3.2.3 卷积的过程

3.2.4 卷积步幅

下图中的步幅 stride = 2

3.2.5 空洞卷积

3.2.6 池化层

池化的意义和作用如下：

• 使用某一位置相邻区域的总体统计特性来代替网络在该位置的输出

• 在尽量保留有用信息的同时，实现特征图降采样，提升感受野

1）最大值池化

2）平均值池化

3.2.7 上采样（反卷积）

3.2.8 批量归一化（重点）

参考文献：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift， ICML 2015

BN的优缺点如下：

需要掌握Batch Norm、Layer Norm、Instance Norm和Group Norm这四个对应的表示形式：

3.3 递归网络

不是考查的重点，请感兴趣的读者移步参考下方链接：

【神经网络】递归神经网络 – 知乎 (zhihu.com)

3.4 Transformer

• Transformer最早针对NLP任务设计，随后推广至视觉领域 (分类、检测、分割、跟踪)

• Transformer最核心的模块是自注意力机制模块，该模块通过将输入特征间的相关性作为权重，对输入特征进行加权，实现管局关系建模

3.4.1 自注意力机制

参考链接：https://jalammar.github.io/illustrated-transformer/

3.4.2 多头注意力模块

3.4.3 常见的损失函数与优化器

四、图像分类

接下来我们将介绍最经典的一些图像分类模型：

4.1 ImageNet数据集

细粒度（Fine-Grained）图像分类是对图像种类进行更精细的划分：

随着旧模型的不断改进，新模型的不断提出，图像分类模型推陈出新，ImageNet精度逐年提升：

4.2 AlexNet

4.3 VGG

4.4 GoogleNet

4.5 ResNet

4.6 DenseNet

4.7 Vision Transformer

4.8 Swing Transformer

Swing Transformer 提出Window based Self-Attention:将输入图像分成互不重叠的Window，自注意机制在每一个Window中独立计算

总结

本文从视觉算法设计流程的演变入手，对比传统视觉算法和深度学习算法的优劣，引出深度学习算法，并依次介绍了深度特征、深度神经网络类型和图像分类的经典模型。