About

Zeiler, M. D., Taylor, G. W., & Fergus, R. (2011, November).
Adaptive deconvolutional networks for mid and high level feature learning.
In Computer Vision (ICCV), 2011 IEEE International Conference on (pp. 2018-2025). IEEE.

Abstract

畳み込み層とmaxプーリング層を交互に重ねた、階層モデルを使って画像のdecompositionsを行う手法を提案
a novel inference schema that ensures each layer reconstructs the input, rather than just the output of the layer directly beneath
- 層ごとに独立に学習をしていた従来手法でなく、層ごとにinputイメージを再構築して、学習する手法を提案
学習によって、各layerは画像の低レベルのエッジや、中レベルのエッジの交差や、高レベルの物体のパーツや、物体全体をそれぞれ認識するようになる
Caltech-101, 256でのクラス分類でSIFT, その他の画像特徴量の手法よりも良い性能を出した

1. Introduction

visionにまつわるタスクにおける重要な課題は「良い画像の特徴量を見つけること」
- SIFT, HOGはウルトラ有名な画像特徴量 (参考URL)
- ただしlow-levelな構造しか検出できなく、中・高レベルの特徴の把握が難しい
画像のlow-highまでの特徴量を教師なし学習で学習する手法を提案。
2つの問題を解決する。
1. 回転やスケール等々の、入力画像に対する特徴量の不変性
2. 層全体で学習していないこと
  1. DBNや、Convolutional sparse codingでは層ごとに学習していた。
  2. inputと層とのつながりは層が進むにつれ、薄れていく。
  3. 多層化時の学習が不安定になる一因とのこと。
各画像ごとに計算される、switch varibalesを導入
- これにより、深い層もinput画像から直接学習ができるように
- ものすごくrobustになるとのこと
- ものすごい効率のよい学習手法になっているとのこと
[WIP]従来手法（7 / 12 / 3,8,20 / 6,11 / 22, 16 <-> 4, 21 / 13, 15 )
- ボトムアップ
- 層ごとに独立に、教師あり学習を行っている（多分DBNとか、Autoencoderのことを言っている）
- pooling layersがない。
- スケールしない非効率な推定の仕組み
提案手法
- トップダウン(生成的(generative))
- 教師無し学習
- 全ての層がつながっている
PSDもよく似た論文であるとのこと
- sparce codingのコンポーネントを追加した
- ただ、input画像を使うのでなく、一つ前の層を出力をcodingする点が異なる
RBMを重ねあわせたDBNも同じ制限がある。
- factored representation that does not have directly perform explaining away
- 学習がとても遅い

2. Approach

deconvolution + max-poolingの組み合わせ
この章では、以下の4つが主な話題。
- 各層の構成: deconvolution, max-pooling/unpooling
- パラメータの推定
- パラメータ学習

層の全体像の例

この場合は2層。

Deconvolution

decovolutionはconvolutionの逆を行うもの。deconvolutionの式は、以下となる。
- $z_{k,l}$ : 第l層の、k番目のfeature map
- $\hat{y}_{l}$ : 第l層で再構築された入力画像
- $f^{c}_{k,l}$ : 第l層の、cチャンネル目の、k番目のフィルタの値

deconvolution

\begin{eqnarray}
\hat{y}^{c}_{l} &=& \sum^{K_l}_{k=1} z_{k,l} * f^{c}_{k,l}\\
&=& F_l z_l
\end{eqnarray}

$F^{T}_{l}$ は deconvolutionの行列を転置したもので、普通の畳込み演算。

Pooling

普通のpoolingとの違いはswitchと呼ばれる, max値としてactivateした, feature mapの位置とその値を記録した変数をもつこと。
feature map $z$ からpoolされた feture map $p$ を取り出す処理 $P_{s}$ と、逆にpoolされたfeature map $p$ から、feture map $\hat{z}$ に戻す処理 $U_{s}$, はそれぞれは以下のようになる。

Pooling


p = P_{s}z

Unpooling


z = U_{s}p

２つの処理は以下の関係を満たしている

Unpooling


U_{s} = P^{T}_{s}

Multiple layers

第l層での再構築の操作$R_l$は以下で表される。

\hat{y_l} = R_l z_l = F_1U_{s1}F_{2}U_{s2}...F_{l}z_{l}

また、第l層での再構築の操作$R_l$の逆、すなわち入力画像からfeature mapを生成する操作を${R_l}^{T}$とすると、以下で表される

R^T_l = F^{T}_lP_{s_{l-1}}F^{T}_{l-1}P_{s_{l-2}}...P_{s_1}{F^{T}_{1}}

Learning

学習の概要

学習では畳み込み層のfilterの変数を学習したい
ある層lの学習において、以下を行う。
1. feature map $z$ と, filter $f$をガウス分布から初期化する。
2. 以下をE epochs行う (提案手法では10回)
  1. [$z$の推定] 一つの入力画像毎に以下をT回行う (提案手法では15回)
    1. feature mapから、入力画像を再構築する
    2. 再構築した入力画像と、本来の入力画像の差分（reconstructionエラー $e$ ）を計算する
    3. $e$を普通にネットワークにいれて伝搬
    4. 伝搬された値を使って、新しいfeature mapを計算する
    5. feature mapのsparsityを上げる
    6. 新しいfeature mapをpoolして、switchのlocation,valuesを更新する
    7. poolした値をunpoolしてzを更新する
3. [$f$の更新] 2.で推定されたzを使って、$f$ を更新する。

zの推定

3stepsで推定する。

1. Gradient step:

以下の計算で、新しい$z_l$を得る。

\begin{eqnarray}
g_l &=& R^{T}_{l}(R_{l}z_{l}-y)\\
z_l &=& z_l - \lambda_{l}\beta_{l}g_{l} 
\end{eqnarray}

2. Shrinkage step:

微妙な値のzを0に置換するstep

z_l = max(|z_l| - \beta_{l}, 0)sign(z_l)

3. Pooling/unpooling:

更新された$z_l$をPoolingした後、すぐにUnpoolingする
これによって、
1. その層のfeature mapのPoolingまでを含めて学習される
2. STEP 1、2によって、reviseされたfeature mapを使って、switch変数を更新できる

注意点

以下2点から非線形な処理であることに注意
1. Shrinkage stepそのものが非線形な処理であること
2. switchの更新によって$R_{l}$が変わりえること

fの更新

各変数を以下の通りとして、目的の損失関数を定義する

$z_{k,l}$ : 第l層の、k番目のfeature map
$y$ : 入力画像
$\hat{y}_{l}$ : 第l層で再構築された入力画像

lossfunction

C_{l}(y) = \frac{\lambda_{l}}{2}||\hat{y}_{l} - y||^{2}_{2} + \sum^{K_l}_{k=1}|z_{k,l}|_{1}

損失関数を $f$ で微分した値を0とすることで得られる、以下の式を解くことで更新した $f$ を得る。

\sum^{N}_{i=1}({z^{i}_{l}}^{T}P^{i}_{s_{l-1}}{R^{i}_{l-1}}^T)\hat{y_l}^{i} = \sum^{N}_{i=1}({z^{i}_{l}}^{T}P^{i}_{s_{l-1}}{R^{i}_{l-1}}^T)y^{i}

3. Application

詳しくは割愛
提案した手法をつかって、クラス分類を行う方法を提案している。
提案手法はあくまで教師なし学習なので、一番最終層の上にSVMを乗っけて、クラス分類器を作成する、というもの

4. Experiment

可視化したったでという内容と、Applicationの内容なので、詳細は割愛。

所感

他の最近の手法に比べて、学習の速さ、精度はどうなっているのか、最近の手法ではみかけないけど、何か問題点があるのか？