119
106

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

機械学習論文読み:Deep Residual Learning for Image Recognition

Last updated at Posted at 2017-08-06

Image Classsificationの重要論文の一つ。特に、2015年以降は、ResNetをベースとして改良されている論文が多く、重要性が高いと思います。

論文・参考サイトへのリンク

以下、Microsoft Researchの事を一般的な略語のMSRAと書きます。また、補足と書いてある部分は、論文には書いておらず、私が補足した点になります。

機械学習を絶賛勉強中なので、訂正、指摘、疑問、質問等あれば、どしどしお願いします。

始めに

  • 2015年のImageNetCompetitionで、以下の結果 (MSRAのスライドより)

    • ImageNet Detection: 1位 (16% better than 2nd)
    • ImageNet Localization: 1位 (27% better than 2nd)
    • COCO Detection: 1位 (11% better than 2nd)
    • COCO Segmentation: 1位 (12% better than 2nd)
  • 大幅なレイヤー数増加とエラー率低減を実現(図はMSRAのスライドP3より引用)

スクリーンショット 2017-08-06 11.52.14.png

以下、論文の流れに沿って書きます。以下特に明記しない限り、論文からの引用です。
※ 正直、MSRAのスライドの方が分かりやすいです。

Abstract

  • 深いニューラルネットワークは訓練することは困難

    • この論文では、これまで使用されていたよりもはるかに深いネットワークのトレーニングを容易にするために、Residential Learning Frameworkを提示する。
  • 非参照関数を学習するのではなく、層入力を参照してResidual functionを学習するように、レイヤーを再構成する

    • 補足:非参照関数(Unreferenced function)が何の事か分からないが、その後の文章の意味としては、そのレイヤで最適な出力を学習のではなく、層の入力を参照する残差関数を学習するようにする。$\mathcal{H}(x)$が学習して欲しい関数だとすると、$\mathcal{H}(x) = \mathcal{F}(x) + x$になるように学習させる。
    • 20170615193941.png
  • この論文では、これらのResidual Networkが最適化しやすく、かなり深い深いレイヤーでも精度を得ることができる、包括的な実験結果を提供する

  • ImageNetデータセットでは、VGGネットより8倍深い152レイヤーの深さの残差ネットを評価するが、依然として複雑さ(パラメーター数)は低い

  • これらの残差ネットは、ImageNetテストセットで3.57%のエラーを達成

    • この結果は、ILSVRC 2015分類作業の第1位を獲得
  • 我々はまた、100および1000層のCIFAR-10に関する分析を提示する

  • 表現の深さは、多くの視覚的認識課題にとって重要である。

    • 私たちの非常に深い表現のせいで、私たちはCOCOオブジェクト検出データセットで28%の相対的な改善を得ている
  • ImageNet Detection、ImageNet Localization、COCO Detection、およびCOCO Segmentation の第1位を獲得

1. Introduction

  • 深い畳み込みニューラルネットワークは、画像分類のための一連のブレークスルーを導いた。

    • 最近の研究で、ネットワークの深さは、クリティカルに重要である事が分かっている
    • ResNet以前の、ImageNetの先端的な結果では、「とても深い」モデルでは、16〜30レイヤである
  • そのため「より多くのレイヤーを積み重ねても、簡単にネットワークを学習できるのか」というのが疑問となる

  • この疑問の最初の障害は、悪名高い、勾配消失・勾配爆発である

    • 補足:勾配消失についてはこちらが分かりやすい
    • この問題自体は、Normalized initialization、Intermediate normalization layers及び、SGD(確率的勾配降下法)である解決が図られている
      • 補足:一般的には、Batch normalization、ReLU、Dropoutなども貢献していると言われている。
  • しかし、レイヤー深くすると、それでも degration problem が発生する

    • 下のFigure 1 のように、深いネットワークでは、エラー率高い。また、Accuracyが飽和(Training error が台地を迎える)していることが分かる

Figure 1.
スクリーンショット 2017-07-18 11.25.54.png
左はトレーニングエラー。右は、テストエラー。
共に、CIFAR-10 のデータを使い、20レイヤーと30レイヤーの plain network(後述)での結果。深いネットワークでは、エラー率高い事が分かる。Fig.4 にImageNetの結果があるが、類似した挙動を示している。

  • この結果は、overfitting によるものではない。

    • 補足:結局、勾配消失・勾配爆発が起こっているということ?論文中には書かれていない
  • 従来は、"construction"という方法で、解決していた。これは、より浅いModelで学習したものを、深いModelにコピーする方法

    • 補足:コピーされず、深いModelで新しくする登場するレイヤーは、"Identity"と呼ばれるらしい。「個性」という意味で使われているような印象。

(図はMSRAのスライドより)

スクリーンショット 2017-08-06 12.30.26.png

  • しかし、より深くすると、この方法ではうまくいかない。

  • 本論文では、Deep Residual Learning Framework でこれを解決する

  • $\mathcal{H}(x)$が学習して欲しい関数だとする。2レイヤーのPlain なネットワークを考える。

    • この2レイヤーは、$\mathcal{H}(x)$ にフィットするように学習される

(この図はMSRAのスライドより)
スクリーンショット 2017-08-06 14.20.24.png

20170615193941.png
  • 対して、Residual networkでは、$\mathcal{H}(x) = \mathcal{F}(x) + x$に対して学習させる。
    • これは、2レイヤは、$\mathcal{F}(x) = \mathcal{H}(x) - x$ に学習させることになる。これがResidual 残差の意味
    • つまり、x (identity)が、最適の場合、weight は 0 になる
    • これにより、x と $\mathcal{H}(x)$が近い場合でも、微少な差$\mathcal{F}(x)$を学習しやすくなる
  • Fig.2 の $\mathcal{F}(x) + x$は、"shortcut connection"付きのfeedforward neural network
    • これは、パラメータは増えないないし、計算も複雑では無い

2. Related work

すいません、飛ばします。MSRAのスライドのP19に簡単に解説があります

3. Deep Residual Learning

3.1. Residual Learning

先ほどの説明と同じ

3.2. Identity Mapping by Shortcuts

  • Fig. 2. の2つのレイヤのブロックを、この論文では、式1:$y = \mathcal{F}(x, \{W_i\}) + x$ と定義する
    • x が入力で、yが出力
    • $\mathcal{F}(x, \{W_i\})$ が学習されるべき関数を示している
      • Fig. 2 は2レイヤーなので、$\mathcal{F} = W_2\sigma(W_1x)$となる
        • $\sigma$は、ReLUを示す
    • ReLUが、$\mathcal{F} + x$の後にある
      • 補足:なぜか式1には書いて無いが。。
  • 式1において、$x$と$\mathcal{F}$の次元が同じである必要が有る
    • もし違う場合は、式2:$y = \mathcal{F}(x, \{W_i\}) + W_sx$
    • W_s は、1x1のconvolution ネットワーク(P4 3.3 のResidual Networkのところに書いてある)

3.3. Network Architectures

Figure 3.
スクリーンショット 2017-08-06 16.25.09.png
ImageNet用のネットワークアーキテクチャの例。左:VGG-19のモデル。計算量は19.6 GFlops (参考、中央:34レイヤーのResidual networkなしのPlainなネットワーク。計算量は3.6 GFlops、右:Residual network付きの34レイヤ。計算量は、3.6GFlops
点線は、Dimentonが増えていて、式2を使う必要が有る事を示す。
詳細は、Table 1 を参照。

  • できるだけシンプルにしている
    • VGG16にインスパイヤされたネットワーク
    • できるだけ、3x3 の Convolutional network になっている
  • その他の特徴。主にVGG16との違い。以下全てVGG16にはあった。(MSRAのスライドより
    • max pooling が無い
    • hidden fc が無い
    • dropoutが無い

Table 1.
スクリーンショット 2017-08-06 17.18.38.png
Imagenet向けのアーキテクチャ。 Bulidng blockは、Fig.5 で示されるもの。

  • 補足: [3x3, 64; 3x3, 64] 等は Fig.2 で示されたものと同じ。もう一つの [1x1, 64; 3x3, 64; 1x1, 256]等は、"bottleneck"というもの。Fig.3 は、このTable 1の 34 layers に対応している。例えば、Fig.3 のpool,/2 の後の6つのレイヤー(3つのBulidng block)が、[3x3, 64; 3x3, 64] $\times 3$ に対応している。

3.4 Implementation

特別なところは無いです。

  • Data augmentation は、以下の通り
    • [256, 480] の範囲で、Scale augmentation
    • 224x224 にランダムCrop
    • ランダム横方向反転
  • Per-pixel Mean Subtraction(チャンネル毎の平均値を引く)
  • Batch normalizationを全てのConvolution networkの直後、ReLUの直前に入れる
  • pretraining は無く、Scratchから学習
  • dropoutは使わない
    • ハイパーパラメータ
      • SDG mini-batch size: 256
      • learning rate 0.1 からスタート。error 率の低下が台地を迎えたら、10 で割る
      • $60 \times 10^4$ イテレーションまでトレーニング
      • weight decay : 0.0001
      • momentum: 0.9

4. Experiments

4.1. ImageNet Classification

Figure 4.
スクリーンショット 2017-08-06 17.27.59.png
ImageNet での結果。 細い線は、Training Error。太い線は、Validation error(Cropは中央に固定)。
左: Plaing network
右: ResNet
このグラフでは、ResNetとPlainネットワークで、Parameter数は同じ。にもかかわらず、Error率が下がっていることが分かる。

Table 2.
スクリーンショット 2017-08-06 17.39.11.png

  • Fig.4 を見ると、重要な点として、Plain-34はPlai-18よりも悪い。これは、degration problem が起こっている事を示している。が、ResNet-34は、ResNet-18よりも良く、degration problemを回避できていることが分かる。
  • Table 2を見ると、top-1エラーが、ResNetとPlainネットワークで比べると、3.5%良化している。これにより、Residual learningが深いネットワークで有効なことが示せた
  • Table 2を見ると、18レイヤは、ResNetとPlainネットワークでそんなに変わらない。が、収束が速いことが、Fig. 4で分かる。SGDは、18レイヤーの浅いネットワークぐらいでは、良い答えを導ける。その場合でも、ResNetの方が収束が速いことが分かる。
    • 補足:水色の18-レイヤの線を比べる。中央の台地を見た時、右のほうが低い

Iedntity vs. Projection Shortcuts.

  • 式2を使うの手法を評価
    • (Option A) zero-padding (Table 2、Fig.4右側のものと同じ)
      • 補足:サイズが違う場合、単にゼロで埋める。参考
    • (Option B) 次元が違う場合(サイズが違う場合)のみ、projection shortcuts
      • 補足: 1x1 convolution にする 参考
    • (OptionC) 全てのShortcutを projection にする

Table 3.
スクリーンショット 2017-08-06 18.12.04.png
Image Net でValidationした結果。10-crop testing をしている(補足:10-crop testing については末尾参照)
ResNet-50/101/152 は、Bを使った結果

  • A > B > C でCが一番良いが、大きく違わない
    • 今後の評価では、Cを使わない(明示しない限り、基本的にBを使う)

Deeper Bottleneck Architectures.

  • ImageNet向けの、より深いモデルに"bottleneck" building block を導入する

Figure 5.
スクリーンショット 2017-08-06 17.57.15.png
左: Fig. 3 でResNet-34に使われていた bulidng block
右:ResNet-50/101/152 に使う "bottleneck" bulidng block

  • Figure 5 の左右のComplexityは似通っている
    • 同じような計算量でレイヤを増やせるので、深いレイヤで有用
  • 50レイヤResNet(ResNet-50)
    • ResNet-34を、bottleneck blockに置き換えたもの。Option BのProject shortcutsを使う
  • 101レイヤ、152レイヤ(ResNet-101、ResNet-152)
    • レイヤは大幅に増えたが、それでも、VGG-16/19より計算量が少ない
      • VGG-16 15.3 GFlops
      • VGG-19 19.6 GFlops
  • Table 3 および、Table 4 を見ると、Depthを増やす毎に、Errorが減っており、degression problemは発生していないことが分かる

(MSRAのスライドより)
スクリーンショット 2017-08-06 20.24.20.png

Table 4.
スクリーンショット 2017-08-06 18.11.57.png
ImageNet validation setの single-model での、Error rates。(補足1:Table 3と結果が違うのは、10-crop testing をしているかどうかの差だと思う)(補足2:single-modelについては本ページ末尾参照)

Table 5.
スクリーンショット 2017-08-06 22.12.09.png
Ensembles(補足:本ページ末尾参照)をしたときのError rates。これは、ImageNetのコンペで使われるテストサーバーから提供されたtest setと、Error rate の値。

  • Table 4
    • ResNet-34 でも他手法と比べて、十分、優位である
    • ResNet-152 は、top-5 validation error で、4.49 である
  • Table 5
    • 異なる深さの6モデルをEnsembles をしている
    • top-5 error が、3.57% で1位を獲得した

(MSRAのスライドより)
スクリーンショット 2017-08-06 22.17.12.png

4.2 CIFAR-10 and Analysis

  • CIFAR-10 を使って、さらに深いネットワークでの挙動を検証する

Table 6.
スクリーンショット 2017-08-06 22.24.32.png
CIFAR-10のClasasification error。全ての手法は、data augumentationをしている。ResNet-110だけ、5回実行し、分散を計測している。

Figure 6.
スクリーンショット 2017-08-06 22.27.11.png
CIFAR-10の結果。破線は、training error、太線はtesting error
左: Plain networks。Plain-110のError rateはとても60%以上で表示されていない
中央: ResNet
右: ResNet-110とResNet-1202。(補足:3未満のIterationは省略されている)

  • ResNet-110 は、一番良い結果になっている。収束も早い
    • かつ、他の深いレイヤーの手法よりも、パラメータ数が少ない(FitNetやHighwayに比べ)
  • 1000以上のレイヤの場合
    • ResNet-1202の結果もそれほど悪くない
    • しかし、ResNet-110より結果が悪く、これほど深いモデルには、以前問題があることが分かる
    • これは、Overfittingだと思われる。強い正規化を行う事で、改善する可能性があるが、これは将来の課題である
    • また、ResNet-1202は、不必要にパラメータ数が多い

Figure 7.
スクリーンショット 2017-08-06 22.33.14.png
CIFAR-10を学習させたときの、レイヤー毎の標準偏差。(横軸が標準偏差)
それぞれの 3x3 layerで、Batch normalizationの後、ReLU/加算の前の偏差を表している。
上:レイヤーは、そのままの順番
下:レイヤーを、偏差の高い順に並べている

  • これは、他手法に比べて、偏差が0に近いことを示している。(これは、Residual functionの元々のモチベーションである)
  • また、ネットワークが深いほど、偏差が少ない

4.3 Object Detection on PASCAL and MS COCO

Table 7.
スクリーンショット 2017-08-06 22.54.01.png
PASCAL VOC2007/2012 test set の Object detction mAP(%)の結果。Apeendix のTable 10、11も参照。

Table 8.
スクリーンショット 2017-08-06 22.54.05.png
COCO validation set の Object detection mAP(%)の結果。Appendix の Table 9も参照

  • 他のタスクにも有効である事を示す

補足

  • top-5 error: Predictionの結果で、Accuracyがトップ5のクラスの中に正解が含まれていない確率。ImageNetの評価でよく使われる。なぜ、top-5 を見る必要があるかというと、画像の中に複数のオブジェクトが含まれている場合に、そのどれが、正解のクラスか分からない為。例えば、男性がドラムを叩いている場合、正解クラスが、男性なのか、ドラムなのか、不明。
  • 10-crop testing: テスト画像1つから、data augumentation のような手法で10個の画像を切り出し、それに対する予測結果を平均して答えを出す。1-crop testing に比べて、エラー率が減少する 参考
  • Ensembles: ネットワーク構造の違う複数のモデル、あるいはネットワーク構造は同じだが入力の異なる複数モデルを使って、出した結果を平均して結果をだす
  • single-model/single-model result: Ensembleではなく、一つのモデルだけの結果。多くの場合、一番良い結果のでたモデルを用いる。
119
106
4

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
119
106

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?