（附代码）一个可视化选择最优backbone的小方法
点击左上方蓝字关注我们
转载自 | 迈微AI研习社
理想情况下，我在这里描述用代码的技巧应该适用于任何使用卷积特征提取器(CONV-FE)的深度学习(Deep Learning, DL)模型。(“Feature Extractor”有时也被称为“backbone” 或 “Encoder”)
今天我们将看到一个巧妙的技巧来可视化化任何CV任务的CONV-FE。我们将使用带有TensorFlow后台的Keras来演示这个技巧。这个技巧可以用来“调试”没有正确训练的模型，或者“检查”/“解释”训练好的模型。
对于新读者来说，值得一提的是架构和CONV-FE之间的区别。SSD, YOLO和F-RCNN是当今一些流行的目标检测架构。正如你所知道的，架构是具有某种形式的灵活性的模板，用户可以根据自己的用例选择调整架构。
对于新读者来说，值得一提的是架构和骨干之间的区别。大多数架构都将CONV-FE视为插件。一些流行的CONV-FE是 VGG-16、ResNet50和MobileNetV2。通常可以看到，使用特定体系结构构建的模型的性能(包括速度和准确性)将受到很大的影响。出于这个原因，实践者提到了他们在模型名称本身中使用的 VGG-16。一个F-RCNN(ResNet50)是一个模型与F-RCNN论文中描述的架构，使用ResNet50 CONV-FE构建。换句话说，F-RCNN(MobileNetV2)和F-RCNN(vg -16)遵循相同的网络架构，但使用不同的CONV-FEs。因此，我们可以期望每个系统都有不同的性能。CONV-FEs也有他们的架构，这就是为什么我们有VGG-16和VGG-19的原因。
图1显示了一个基于DL的目标检测系统的高级架构。众所周知的体系结构如YOLO、F-RCNN和SSD都可以用这个模板。[W, H， 3]表示图像的输入宽度和高度，也表示输入图像有3通道。[w, h, N]表示转换函数的输出维数。需要注意的是，由于N是特征提取器最后一层CONV层中滤波器的数量，所以通常是一个很大的数量(对于VGG-16， N = 512)。w和h几乎总是比w, h小，因为在今天的大多数架构中，CONV块通常后面跟着池化层。
如上所述，对于我们的CV系统而言，选择一个对 CONV-FE是至关重要的。然而，问题在于N的值很大。不可能想象一个所有维度都任意大的三维张量！这就是我们今天要解决的问题。我们马上开始吧。
我们先选择一个CONV-FE，用VGG-16试试。
一旦模型被加载，我们需要做一些脚本来加载我们想要尝试我们的技巧的图像。我在这里不描述这些步骤，因为它们在你的特定用例中会有很大的不同。现在，我们只假设所有所需的图像都存储在工作目录中名为“images”的目录中。现在让我们使用这个技巧！
你将看到类似于下面的输出(这些也将保存在直接在工作目录中创建的“results”目录中)
Figure 2.1: Results1_Elephant
Figure 2.2: Results2_Car
Figure 2.3: Results3_Man
Figure 2.4 Results4_PCB
第二列显示了任意通道可以在由CONV-FE产生的输出特征映射中实现的像素级最大值。第三列显示了所有通道的平均值。我们说，如果我们的结果中的第二列和第三列显示出清晰的特征分离，那么CONV-FE适用于我们的数据集。
如我们所见，1和2的结果非常好，但3和4的结果表明，如果你有全屏PCB图像或穿着传统服装的印度男人的图像，当前的模型并不真的适合。但是，如果你的数据集包含野生动物或汽车/车辆的图片，那么这个模型似乎是一个不错的选择。
现在，让我们做一个小小的调整。根据图1，输出特性映射可以有任意数量(N)的输出通道。这是我们无法可视化和比较CONV-FEs的主要原因。我们使用常见的聚合技术，即求和和平均，来获得特征图质量的总体近似。我没有沿着通道使用像素级的中间值进行聚合。
感兴趣的读者可以参考源码，试一试，了解更多细节。
源码 https://github.com/IshanBhattOfficial/Vizualize-CONV-FeatureExtractors
英文原文：https://medium.com/analytics-vidhya/how-to-select-the-perfect-cnn-back-bone-for-object-detection-a-simple-test-b3f9e9519174
END
整理不易，点赞三连↓