本文介绍了CliqueNet网络结构，一种受RNN和注意力机制启发的双向反馈网络，能够有效提升特征图的利用率和精度。同时，文章还提供了美学评分AVA数据集的详细介绍。
欢迎大家来到《知识星球》专栏，今天给大家小结一下有三AI知识星球，以及预告下一次涨价。
作者&编辑 | 言有三
过去的一个月里，有三AI知识星球发力“数据集”和“网络结构1000变”板块，更新了非常多的内容，大家可以读往期文章获取详细的介绍。
1 网络结构1000变
所谓网络结构1000变，就是给大家剖析各种各样的网络结构的设计，在这个栏目里，已经有超过4万字的内容了，下面是最新的一个网络。
有三AI知识星球-网络结构1000变
CliqueNet
DenseNet通过复用不同层级的特征图，提高了通道的利用率，不过它的连接是前向的，即信息只能从浅层向深层传递，而CliqueNet则更进一步，信息的传递是双向的。
作者/编辑 言有三
结构如上图所示，CliqueNet不仅有前传的部分，还有后传，这种网络架构同时受到了RNN等循环网络和注意力机制的启发，使得特征图重复使用而且更加精炼。
CliqueNet的训练包含两个阶段。第一个阶段与 DenseNet 相同，即图中的Stage-1，此时浅层特征向深层进行传递，这可以视为初始化过程。
第二个阶段中每一层不仅接受前面所有层的特征图，也接受后面层级的特征图反馈。可以看出这是一种循环的反馈结构，可以利用更高级视觉信息来精炼前面层级的特征，实现空间注意力的效果。实验结果表明，它有效地抑制了背景和噪声的激活。
整体的网络架构如上：网络由很多的block组成，每一个block的stage II的特征通过global pool串接生成最终的特征。与DenseNet的不同之处在于，随着网络架构，每一个block的输入输出特征图不需要增加，从而更加高效。
结果如下呢？
从上表可以看出，参数量和精度是非常具有优势的。
[1] Yang Y, Zhong Z, Shen T, et al. Convolutional neural networks with alternately updated clique[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 2413-2422.
2 数据集
所谓数据集，便是给大家提供各种各样的数据集下载，常常是一些很难获取的数据集。比如需要注册的数据集，因为网速问题难以下载的数据集，下面是一个案例。
美学评分
AVA
AVA是一个美学质量评估的数据库，包括250000张照片。每一张照片，都有一系列的评分，以及语义级别的label，其中语义级别的label共60类，同时还有photographic style，即照片的风格，共14类。
AVA仍然是现今较大的数据集，包含250000张图片的美学分数和语义标注。每一张图的标注人员的数量从78～549，不止包括了专业的图像工作者，摄影师，也包括了摄影爱好者，这样显得更有普适性，平均一张图约有210个标注。
标注的分数为0～9，分值越高，说明图片质量越高。下面展示了各个分值的标注情况，可以看出标注结果还是很一致的。
除了美学分数之外，还包含了语义标注，共包含了66个类。大概有200000张图只包含一个tags，150000张图包含2个tags。哪些tags最多呢，作者们也作出了一个统计如下：
这是研究AI美学必备的数据集，而且网上很难找到下载，笔者曾经花了一个月才下下来，希望大家喜欢，勿要传播。
3 涨价通知
知识星球继承秉承公众号的主旨，只做系统性的原创，我们的“AI1000问板块”即将回归，“有三之考”板块即将开启，真正有需要的朋友不要错过。
给大家一些内容的预览吧，供大家认识有三AI知识星球。
以上所有内容
加入有三AI知识星球即可获取
来日方长
点击加入
不见不散
更多精彩
每日更新
转载文章请后台联系
侵权必究
往期精选
扫一扫
9920
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
