[5機器學習]計算機視覺的世界-卷積神經網路(CNNs)_Ofter資料科學

本文已參與「新人創作禮」活動，一起開啟掘金創作之路。

我們知道，資料不僅包含文字、數字，還包含圖片、影片等，如何更好地檢視、識別和解釋影象和影片的內容，就像人類視覺一樣，一直是目前人工智慧的主要研究方向。機器學習無疑是現代資料科學的核心，在經歷了幾十年迴歸、分類、決策樹、異常檢測的沉澱後，資料科學的魔爪也不斷地向更深度的學習試探。

一、計算機視覺的世界

今天，ofter會通過最簡單、易懂、完整的講解(儘量不出現公式之類枯燥的元素)，帶大家領略計算機視覺的世界！

圖片的本質是數字，通過對大量數字的處理，來實現我們對圖片的一系列處理：

最簡單的圖片型別，應該就是黑白的手寫數字圖了吧？這和我們小時候咿呀學語的狀況很像，一開始我們也是在紙上寫數字。從上圖中，也可以看出來，我們寫一個數字，就一筆，但計算機看到的卻是一長串數字列表。

為了模擬人類視覺神經對圖片的處理過程，有人發明了人工神經網路，其實就是把神經收發的訊號換成數字。

看下圖，Input Layer是一個個數字，也可以是一個個陣列，通過一層層的Hidden Layer加工處理，最後識別圖片中的內容。

不過呢，這個是對人類神經網路的初步模仿，無論是速度、準確度肯定都沒法與人類的視覺相比。因此，我們研究出了卷積神經網路(CNNs)、迴圈神經網路(RNNs)等模型來不斷進化我們的計算機，使得計算機的識別力無限逼近人類，甚至超越人類。

今天，我們重點介紹下卷積神經網路的發展過程以及常用模型。卷積神經網路大大提高了圖片的計算效能，它的架構下主要分為3個型別的層：卷積層、池化層、全連線層（神經網路）。

上圖，也很明顯，就是經過N次的卷積+池化，最後再進行常規的神經網路，輸出識別內容。因為，作為資料科學家，其實不需要知道具體的卷積層、池化層以及常規神經網路是怎麼運作的，我們只需要明白某個模型能帶來什麼樣的識別、效能、效果就可以了，所以我就不詳細展開每個模型具體每層是怎麼計算的了。

我們需要知道4個引數，這個在模型訓練時要定義：

• 過濾器大小（Filter，例如3 × 13）

• 過濾器的數量（我們要使用多少個過濾器，例如我們可以使用 20 個過濾器，則 k = 20）

• Stride （指定過濾器每次移動的步長，例如，Stride = 2）

• 零填充量（添加了一層零值畫素(灰色區域)，這樣我們的特徵圖就不會縮小，例如 Padding = 2）

近10年的時間裡，我們研究了許多架構，效能、準確度也是不斷地提升，從下圖也可以看出來，總體上發展得比較迅速。

每一種架構，或多或少都有點站在前人肩膀上的意味，再加上自己的一些亮點。比如AlexNet、VGG、GoogleNet，它們基於卷積神經網路，在卷積層、池化層採用了不同的過濾器、不同數量的過濾器，不同的stride, padding，總之是各種排列組合，通過很多很多次的測試得到最佳案例。更多的架構：

主要有2種訓練方式：從頭開始訓練，預訓練模型遷移學習。

在實踐中，很少有人會從頭開始訓練整個卷積網路，從頭開始訓練一個準確的模型需要大量資料，大約數百萬個樣本，這需要大量時間。因此我們重點看下遷移學習，舉個簡單的例子，在學習識別汽車時獲得的知識可以應用於識別卡車。在哪裡找類似的預訓練模型呢？推薦一個網址：http://modelzoo.co

許多研究和開發人員為各種任務訓練機器學習模型，並在 Model Zoo 中共享他們的預訓練模型。作為資料科學家，你可以評估哪個模型更加適合你關注的場景和資料，或組合新用途，甚至改進以前釋出的模型。

分類和定位比較好理解。

語義分割的應用包括自動駕駛、醫學成像分析、工業檢測、室內導航，甚至虛擬或增強現實系統等。下圖是醫學成像的一個例子。

語義分割是將影象中的每種元素進行分類，具有相同標籤的畫素具有相同特徵。比如下圖：

但是，語義分割仍然不是一個成熟的領域，許多研究人員仍在研究它。過去幾年已經開發出了許多新方法。

例項檢測模型主要有2大類：基於預測區域的模型和不基於預測區域的模型。

CSDN上也有好多YOLO、SSD的案例，總體來說，Faster R-CNN 比 YOLO/SSD 演算法慢，但更準確。因此，當實時性比較高的時候，我們肯定要採用YOLO這樣的模型，而實時性要求不高但準確度要求高的時候，我們就需要採用Faster R-CNN。

Mask R-CNN 是非常有影響力的例項分割技術。這是一個兩階段的框架：第一階段掃描影象並生成建議（可能包含物件的區域）。第二階段對建議內容進行分類並生成邊框和蒙版。

今天，ofter為大家介紹了些常用的深度學習模型和使用場景。需要使用機器學習的時候，你就知道大概要使用什麼樣的模型。下一期，我們將通過實戰，用python+tensorflow/keras等框架+模型進行圖片內容的識別。