Rethinking ImageNet Pre-training 论文解读

最新推荐文章于 2022-03-30 18:28:23 发布

CV大白菜

最新推荐文章于 2022-03-30 18:28:23 发布

阅读量319

点赞数

CC 4.0 BY-SA版权

分类专栏： CV大白菜文章标签：预训练模型的作用论文阅读 normalization

本文链接：https://blog.youkuaiyun.com/qq_28778507/article/details/86484773

CV大白菜专栏收录该内容

40 篇文章

订阅专栏

随机初始化参数的模型其训练结果不比预训练模型差（使用了合适的normalization），唯一的不同是增加了训练迭代次数。随机初始化训练具有很好的鲁棒性，甚至在以下情况仍然成立：

仅适用10%训练数据
用于更深和更宽的模型
用于多任务和多指标

结论

随机初始化的模型在训练一段时间后就要赶上预训练模型，其时间=预训练模型训练时间+微调时间。

预训练模型不能提供更好的正则化，当训练数据较少时，发现必须选择新的超参数进行微调(微调初始参数来自预训练)，以避免过拟合。当使用这些相同的超参数进行随机初始化训练时，即使只有10%的COCO数据，模型也可以在不增加任何正则化的情况下与训练前的准确率相匹配。

当目标任务/指标是需要更多使用局部空间信息来进行预测的任务时，ImageNet 预训练方法并没有展现出更强大的地方。我们观察到，当从头开始训练时，高重叠区域的 AP 会明显改善; 我们还发现了需要精准空间定位的关键点 AP，从头开始收敛速度相对较快。直观地说，基于分类的，类似 ImageNet 图片集的预训练任务和对局部敏感的目标任务，三者之间的差异可能会限制预训练方法发挥其功能。

正则化

在图像分类任务中，正则化的引入能够辅助模型的优化过程。在以往的研究中，有效的正则化策略包括标准的参数初始（normalized parameter initialization）和激活正则化层（activation normalization layers）。对于目标检测任务，在不采用预训练模型而从头开始训练一个检测器时，往往会面临与从头训练一个分类器相似的问题。
BN是现代网络训练中常用的归一化方法，它在一定程度上造成了从零开始训练检测器的困难。与图像分类器不同，对象检测器通常使用高分辨率输入进行训练。这减少了受内存限制的批处理大小，小批处理大小严重降低了BN的准确性。使用预训练可以避免这个问题，因为微调可以采用预训练批量统计作为固定参数;但是，从零开始训练BN是无效的。
在这项研究中，我们应用最近提出的两种正则化策略，它们能够有助于缓解小批量输入的问题：

Group Normalization (GN)：这是我们最近提出的，作为 BN 的一种替代策略。GN 方法的计算与输入的批量维度无关，因此引用该正则化方法时，模型准确性对输入的批量大小并不敏感。
Synchronized Batch Normalization (SyncBN): 这是BN 的一种跨设备(GPU) 实现，能够统计多个设备的批量大小情况。当使用多个GPU 时，该正则化方法能够增加BN 的有效批量大小，从而避免小批量输入的问题。

详细解说各种正则化

BN为啥有时会不好
如果Batch Size太小，则BN效果明显下降。
BN是严重依赖Mini-Batch中的训练实例的，如果Batch Size比较小则任务效果有明显的下降。那么多小算是太小呢？下图给出了在ImageNet数据集下做分类任务时，使用ResNet的时候模型性能随着BatchSize变化时的性能变化情况，可以看出当BatchSize小于8的时候开始对分类效果有明显负面影响。之所以会这样，是因为在小的BatchSize意味着数据样本少，因而得不到有效统计量，也就是说噪音太大。做目标检测和视频分类时，batch size都会比较小，这时BN的的效果就不太好。
在这里插入图片描述
什么是group normalization
BN是对于b，h，w做归一化，可以理解为每个神经元都对一个mini batch做归一化处理，而GN是将channel分为许多组（group），对每一组做归一化，及先将feature的维度由[N, C, H, W]reshape为[N, G，C//G , H, W]，归一化的维度为[C//G , H, W]
在这里插入图片描述
代码如下：

由此可以看出，GN和BN是有很多相似之处的，代码相比较BN改动只有一两行而已，论文给出的代码实现如下：
def GroupNorm(x, gamma, beta, G, eps=1e-5):
    # x: input features with shape [N,C,H,W]
    # gamma, beta: scale and offset, with shape [1,C,1,1]
    # G: number of groups for GN
    N, C, H, W = x.shape
    x = tf.reshape(x, [N, G, C // G, H, W])
    mean, var = tf.nn.moments(x, [2, 3, 4], keep dims=True)
    x = (x - mean) / tf.sqrt(var + eps)
    x = tf.reshape(x, [N, C, H, W])
    return x * gamma + beta

其中beta 和gama参数是norm中可训练参数，表示平移和缩放因子
从深度学习上来讲，完全可以认为卷积提取的特征是一种非结构化的特征或者向量，拿网络的第一层卷积为例，卷积层中的的卷积核filter1和此卷积核的其他经过transform过的版本filter2（transform可以是horizontal flipping等），在同一张图像上学习到的特征应该是具有相同的分布，那么，具有相同的特征可以被分到同一个group中，按照个人理解，每一层有很多的卷积核，这些核学习到的特征并不完全是独立的，某些特征具有相同的分布，因此可以被group。导致分组（group）的因素有很多，比如频率、形状、亮度和纹理等，HOG特征根据orientation分组，而对神经网络来讲，其提取特征的机制更加复杂，也更加难以描述，变得不那么直观。另在神经科学领域，一种被广泛接受的计算模型是对cell的响应做归一化，此现象存在于浅层视觉皮层和整个视觉系统。作者基于此，提出了组归一化（Group Normalization）的方式，且效果表明，显著优于BN、LN、IN等。GN的归一化方式避开了batch size对模型的影响，特征的group归一化同样可以解决 $I n t e r n a l C o v a r i a t e S h i f t$ 的问题，并取得较好的效果。
效果如下：
在这里插入图片描述可以看到，在32images/gpu的时候，GN的train error是最小的，收敛很容易；但是val error会比BN高一些，这是因为BN的正则化方式引入了一些随机量，GN因为过强的表达能力出现了一定的过拟合；而当batch的数量减小时，GN仍然保持了它的性能，BN的错误率却开始不断上升。
作者还将GN使用到了detection算法上，主要以Mask RCNN做比较。要注意的地方有三个：第一，使用ImageNet的预训练网络的时候（finetune时），要frozenBN层，不然结果反而会劣化，而GN不会有这个问题。保持特征网络的BNfrozen，只在Head部分使用GN会提升效果，但是如果把backbone也换成GN预训练的，效果会更好。
在这里插入图片描述
第二，使用BN的准确率模型性能已经无法随着迭代次数增加的时候，GN反而可能会随着迭代次数的增加性能有一定的上升。

第三，不使用预训练模型，GN仍然可以达到compared的性能，但是BN会出现结果的劣化
在这里插入图片描述

收敛性

显然，通过随机初始化过程的模型收敛速度与经 ImageNet 预训练初始化的收敛速度是相去甚远的。因为经预训练后，模型可能直接利用已学习的低级特征(边缘、纹理等) 而无需重新学习。此外，从头开始训练的模型需要学习目标的低级和高级语义，这可能需要更多的迭代过程才能更好地收敛

实验设置

该文对基准模型进行了微小的改变，总的来说，基准设置和超参数都遵循 Mask R-CNN 模型，你可以在开源的 Detectron 项目中找到。此外，我们额外添加了正则化策略，并改变了模型迭代的步数，具体如下：
模型结构： 采用 Mask R-CNN，ResNet 或 ResNeXt，并采用特征金字塔网络（FPN）作为模型的主体结构，并采用端到端的方式（end-to-end）来训练 RPN 和 Mask R-CNN。此外，GN/SyncBN 代替所有 frozen BN 层（逐通道的仿射变换）。为了公平比较，在研究过程中对预训练模型同样采用 GN 或 SyncBN 正则化策略进行微调。
学习率方案： Detectron 中原始版本的 Mask R-CNN 模型进行了 90k 步的微调迭代过程（1×schedule）或 180k 步的迭代（2×schedule）。对于本文中的模型，探究更长的训练过程。例如，所谓的 6×schedule 是带 540k 步迭代的微调过程。不论最终的迭代步数是多少，都遵循 2×schedule 策略，在最后的 60k 和 20k 时将学习率降低 10倍（即总是在运行相同的迭代步数后降低学习率）。在实验中，发现对于第一个（大）学习率，训练更长的时间是有用的，但对于较小的学习率，训练太久往往会导致过拟合现象的发生。
超参数： 其他所有的超参数都遵循 Detectron 中的设置。特别是，初始学习率设置为 0.02，并采用 linear warm-up 策略，权重衰减率为 0.0001，动量参数设定为 0.9。在 8 个 GPU 上，采用 synchronized SGD，每个 GPU 上 mini-batch 大小为 2，来训练所有模型。
默认情况下，Detectron 中的 Mask R-CNN 在测试过程不使用数据扩充操作，在训练过程也只引入水平翻转的增强操作。在无特别说明的情况下，图像较短边的像素值是 800。