隨著復(fù)雜和高效的神經(jīng)網(wǎng)絡(luò)架構(gòu)的出現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)(CNN)的性能已經(jīng)優(yōu)于傳統(tǒng)的數(shù)字圖像處理方法，如 SIFT 和 SURF。在計(jì)算機(jī)視覺(jué)領(lǐng)域，學(xué)者們開(kāi)始將研究重點(diǎn)轉(zhuǎn)移到 CNN，并相信 CNN 是這一領(lǐng)域的未來(lái)趨勢(shì)。但是，人們對(duì)成效卓著的 CNN 背后的機(jī)理卻缺乏了解。研究 CNN 的運(yùn)行機(jī)理是當(dāng)今一個(gè)熱門(mén)話題。基本上，有三種主流觀點(diǎn)：1>優(yōu)化、2>近似、3>信號(hào)。前兩種觀點(diǎn)主要集中在純數(shù)學(xué)分析，它們?cè)噲D分析神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)屬性和收斂性，而第三種觀點(diǎn)信號(hào)嘗試解決以下問(wèn)題：1)為什么非線性激活函數(shù)(activation function)對(duì)所有中間層的過(guò)濾式輸出(filter output)是必不可少的?2)雙層級(jí)聯(lián)系統(tǒng)(two-layer cascade system)比單層系統(tǒng)的優(yōu)勢(shì)在哪里?

球面修正相關(guān)性(REctified COrrelations on a Sphere/RECOS)

眾所周知，前饋神經(jīng)網(wǎng)絡(luò)(FNN)可以被看作是一個(gè)萬(wàn)能的近似器，在給定包含有限數(shù)量神經(jīng)元的單個(gè)隱藏層的情況下，它能夠近似任何連續(xù)的函數(shù)。FNN 的特殊之處在于神經(jīng)元的非線性激活函數(shù)。有的神經(jīng)網(wǎng)絡(luò)龐大且深度，但如果離開(kāi)非線性激活函數(shù)，它們的復(fù)雜架構(gòu)的效果與一個(gè)簡(jiǎn)單的單層線性模型沒(méi)什么不同，都是將輸入映射到另一個(gè)輸出空間。具體來(lái)說(shuō)，非線性激活函數(shù)學(xué)習(xí)到的輸入的表征集合更適合解決實(shí)際問(wèn)題。

CNN 只是 FNN 或 MLP(多層感知器/perceptron)的另一種類(lèi)型。為了分析 CNN 的非線性，作者提出了一個(gè)數(shù)學(xué)模型來(lái)理解 CNN 的行為。在模型中，CNN 被視為由基本操作單元組成的一個(gè)網(wǎng)絡(luò)，它們計(jì)算「球面修正相關(guān)(RECOS)」。因此，它被稱(chēng)為 RECOS 模型。在 CNN 訓(xùn)練期間，首先初始化核權(quán)重，然后通過(guò)梯度下降法(gradient descent)和反向傳播(back propagation)算法進(jìn)行調(diào)整。在 RECOS 模型中，權(quán)重被稱(chēng)為錨向量(anchor vector)，以表示它們?cè)诰垲?lèi)輸入數(shù)據(jù)中的作用。也就是說(shuō)，我們?cè)噲D計(jì)算輸入向量和錨向量之間的相關(guān)性，然后測(cè)量其相似度。

為什么用非線性激活函數(shù)?

與 MLP 僅用 1 步考慮所有像素的交互作用不同，CNN 將輸入圖像分解成較小的圖像塊(patch)，在某些層中又被稱(chēng)為節(jié)點(diǎn)的感受域(receptive field)。算法逐漸擴(kuò)大感受域的范圍以覆蓋更大的圖像。神經(jīng)元計(jì)算輸入向量與其錨向量之間的相關(guān)性，以測(cè)量它們的相似度。每個(gè) RECOS 單元中有 K 個(gè)神經(jīng)元。我們將模型表示為 Y = AX，其中 X 是輸入向量，Y 是輸出向量，A 是我們的錨向量(核過(guò)濾器(kernel filter)的權(quán)重矩陣)。這個(gè)方程表示 CNN 將輸入映射到另一個(gè)空間。通過(guò)研究 RECOS 模型，我們可以立即得出結(jié)論：學(xué)習(xí)到的核權(quán)重傾向于將相似的對(duì)象映射到同一個(gè)區(qū)域。例如，如果 x_i 與 x_j 的歐式距離相近，則相應(yīng)的輸出 y_i 和 y_j 在新空間中也必須相近。對(duì)于用于捕獲貓的特征的過(guò)濾器，學(xué)習(xí)到的錨向量 A 將所有代表貓?zhí)卣鞯南蛄?X_cat 映射為 Y_cat，而其它代表狗特征的向量 X_dog 或代表車(chē)特征的向量 X_car 將永遠(yuǎn)不會(huì)出現(xiàn)在這個(gè)區(qū)域。這就是 CNN 能夠有效識(shí)別不同對(duì)象的原因。

但為什么我們必須使用非線性激活函數(shù)?考慮上面兩幅圖像：(左)原始的貓圖像，(右)左圖像的負(fù)片。從人的角度判斷，這兩個(gè)圖像可以是一樣的，但也可以是不同的。我們可以得出結(jié)論，兩幅圖中的貓是相同的貓，并且它們是負(fù)相關(guān)的。因?yàn)楹谪堉皇峭ㄟ^(guò)從白貓圖像的像素值減去 255 來(lái)獲得。那么 CNN 如何理解這兩只貓呢?

從上圖中，我們可以看到使用非線性激活函數(shù)的必要性。X 是輸入向量，a_1、a_2 和 a_3 是學(xué)習(xí)到的不同的錨向量。在 RECOS 模型中，線性運(yùn)算 Y = AX 用于測(cè)量輸入向量和錨向量之間相似度。因此，對(duì)于錨向量 a_1 和 a_3，可以看到 x 與兩個(gè)錨向量之間的相似度在幅度上是相同的，但是符號(hào)相反。此時(shí)，對(duì)于 CNN 來(lái)說(shuō)貓是不同的。但是例如在有兩個(gè)卷積層的 LeNet5 中，當(dāng)原始輸入 x 通過(guò)兩層之后，最終的輸出結(jié)果將會(huì)被混淆：以下兩種情況不能被沒(méi)有非線性激活函數(shù)的系統(tǒng)正確區(qū)分：1)第一層的正響應(yīng)遇到第二層的負(fù)過(guò)濾權(quán)重;和 2)第一層的負(fù)響應(yīng)遇到第二層的正過(guò)濾權(quán)重。然而，通過(guò)使用非線性激活函數(shù)，CNN 可以很容易地排除負(fù)值的影響，從而得到魯棒的系統(tǒng)。

此外，作者還進(jìn)行了一個(gè)有趣的實(shí)驗(yàn)，結(jié)果如下：

我們用 MNIST 訓(xùn)練集訓(xùn)練了 LeNet-5 網(wǎng)絡(luò)，在 MNIST 測(cè)試集上得到了 98.94% 的正確識(shí)別率。然后，我們將這個(gè) LeNet-5 網(wǎng)絡(luò)應(yīng)用于如圖 5 所示的灰度反轉(zhuǎn)的測(cè)試圖像。準(zhǔn)確率下降為 37.36%。接下來(lái)，我們將 conv1 中的所有過(guò)濾權(quán)重改為負(fù)值，同時(shí)保持網(wǎng)絡(luò)的其余部分不變。經(jīng)過(guò)微修改的 LeNet-5 網(wǎng)絡(luò)對(duì)灰度反轉(zhuǎn)測(cè)試集的正確識(shí)別率為 98.94%，而原始測(cè)試集的準(zhǔn)確率下降為 37.36%。

可以看到，改變第一個(gè)卷積層中的所有過(guò)濾權(quán)重將得到對(duì)稱(chēng)的結(jié)果。該結(jié)果表明，引入激活函數(shù)將消除負(fù)相關(guān)關(guān)系，若我們?cè)趯W(xué)習(xí)灰度反轉(zhuǎn)圖像的特征時(shí)不僅保留學(xué)習(xí)原圖像的錨向量同時(shí)加入灰度翻轉(zhuǎn)圖像的錨向量，則對(duì)兩個(gè)測(cè)試集均能夠達(dá)到高識(shí)別效果。

級(jí)聯(lián)層的優(yōu)勢(shì)是什么?

通常來(lái)講，隨著 CNN 層數(shù)的深入，核函數(shù)會(huì)試圖基于所有之前核函數(shù)的輸出來(lái)構(gòu)建自己的抽象特征。所以相比淺層，深層可以捕捉全局語(yǔ)義和高級(jí)特征。在 RECOS 模型中，CNN 利用與測(cè)量相似度類(lèi)似的一系列非線性變換來(lái)逐層聚類(lèi)相似的輸入數(shù)據(jù)。輸出層預(yù)測(cè)所有可能決策(如，對(duì)象的類(lèi))的似然值。訓(xùn)練樣本含有圖像與其決策標(biāo)簽之間的關(guān)系，并能夠幫助 CNN 生成更適合的錨向量(從而形成更好的聚類(lèi))，最終將聚類(lèi)數(shù)據(jù)與決策標(biāo)簽聯(lián)系起來(lái)。

上圖顯示了深度網(wǎng)絡(luò)的有效性，實(shí)驗(yàn)細(xì)節(jié)如下：

我們用一個(gè)例子來(lái)說(shuō)明這一點(diǎn)。首先，我們通過(guò)在 MNIST 數(shù)據(jù)集的原始手寫(xiě)數(shù)字上隨機(jī)添加 10 個(gè)不同的背景來(lái)修改 MNIST 的訓(xùn)練集和測(cè)試集。對(duì)上面的三行圖像，每行最左邊的列顯示 3 個(gè)數(shù)字圖像輸入，中間列是分別來(lái)自卷積層和 ReLU 層的 6 個(gè)譜圖像(spectral image)輸出，最右邊兩列是分別來(lái)自卷積層和 ReLU 層的 16 個(gè)譜圖像輸出。由于背景的多樣性，難以為第一層找到的良好的錨向量矩陣。然而，這些圖像的背景在空間域中是不一致的，而它們的前景數(shù)字是一致的。

對(duì)于不同的變形背景，CNN 成功地捕捉到了代表性模式。值得注意的是，第一層含有很多冗余和無(wú)關(guān)的信息，通過(guò)在級(jí)聯(lián)層運(yùn)用特征提取，CNN 學(xué)習(xí)到了全局樣式而不是局部細(xì)節(jié)。也就是說(shuō)，對(duì)于輸入向量 x，RECOS 變換產(chǎn)生一組 K 個(gè)非負(fù)相關(guān)值作為 K 維度的輸出向量。這種方式實(shí)現(xiàn)了逐層重復(fù)聚類(lèi)。最后，訓(xùn)練圖像的標(biāo)簽幫助 CNN 在不同背景的圖像中找到相同的模式。

從上面的分析可以看出，卷積層模型對(duì)于自動(dòng)選擇特征是很有用的。它能在沒(méi)有人工干預(yù)的情況下測(cè)量輸入數(shù)據(jù)的相似性并將其聚類(lèi)到不同區(qū)域。

那么完全連接層的作用是什么?

通常 CNN 被分解為兩個(gè)子網(wǎng)絡(luò)：特征提取(FE)子網(wǎng)絡(luò)和決策(DM)子網(wǎng)絡(luò)。FE 子網(wǎng)絡(luò)由多個(gè)卷積層組成，而 DM 子網(wǎng)絡(luò)由幾個(gè)完全連接層組成。簡(jiǎn)而言之，F(xiàn)E 子網(wǎng)絡(luò)通過(guò)一系列 RECOS 變換以形成用于聚類(lèi)的新表征。DM 子網(wǎng)絡(luò)將數(shù)據(jù)表征與決策標(biāo)簽聯(lián)系起來(lái)，它的作用與 MLP 的分類(lèi)作用類(lèi)似。

到這里我們可以得出結(jié)論，CNN 比計(jì)算機(jī)視覺(jué)中經(jīng)典的機(jī)器學(xué)習(xí)算法要好得多。因?yàn)?CNN 可以自動(dòng)提取特征并且基于這些特征學(xué)習(xí)分類(lèi)輸入數(shù)據(jù)，而隨機(jī)森林(RF)和支持向量機(jī)(SVM)則非常依賴(lài)于特征工程，而這種特征工程往往很難操作。

結(jié)論

總而言之，RECOS 模型用信號(hào)分析的角度為我們剖析了卷積神經(jīng)網(wǎng)絡(luò)。從這個(gè)角度來(lái)看，我們可以看到激活函數(shù)和深度架構(gòu)的有效性。然而，以下幾個(gè)方面仍需要重點(diǎn)研究：網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)、弱監(jiān)督學(xué)習(xí)、對(duì)錯(cuò)誤標(biāo)簽的魯棒性、數(shù)據(jù)集偏差和過(guò)擬合問(wèn)題等。