DNN解决ImageNet时的策略似乎比我们想象的要简单得多

ICLR 2019一篇论文指出：DNN解决ImageNet时的策略似乎比我们想象的要简单得多。这个发现使我们能够构建更具解释性和透明度的图像分类管道，同时也解释了现代CNN中观察到的一些现象。

建议收藏本文，并转发到朋友圈，让更多人受益

CNN非常擅长对乱序图像进行分类，但人类并非如此。

在这篇文章中，作者展示了为什么最先进的深度神经网络仍能很好地识别乱码图像，探究其中原因有助于揭示DNN使用让人意想不到的简单策略，对自然图像进行分类。

在ICLR 2019一篇论文指出上述发现能够：

解决ImageNet比许多人想象的要简单得多

使我们能够构建更具解释性和透明度的图像分类pipeline

解释了现代CNN中观察到的一些现象，例如对纹理的偏见以及忽略了对象部分的空间排序

复古bag-of-features模型

在深度学习出现之前，自然图像中的对象识别过程相当粗暴简单：定义一组关键视觉特征（“单词”），识别每个视觉特征在图像中的存在频率（“包”），然后根据这些数字对图像进行分类。 这些模型被称为“特征包”模型（BoF模型）。

举个例子，给定一个人眼和一个羽毛，我们想把图像分类为“人”和“鸟”两类。最简单的BoF模型工作流程是这样的：对于图像中的每只眼睛，它将“人类”的证据增加+1。反之亦然；对于图像中的每个羽毛，它将增加“鸟”的证据+1；无论什么类积累，图像中的大多数证据都是预测的。

这个最简单的BoF模型有一个很好的特性，是它的可解释性和透明的决策制定。我们可以准确地检查哪个图像特征携带了给定的类的证据，证据的空间整合是非常简单的（与深度神经网络中的深度非线性特征整合相比），很容易理解模型如何做出决定。

传统的BoF模型在深度学习开始之前一直非常先进、非常流行。但由于其分类性能过低，而很快失宠。可是，我们怎么确定深度神经网络有没有使用与BoF模型截然不同的决策策略呢？

一个很深却可解释的BoF网络（BagNet）

为了测试这一点，研究人员将BoF模型的可解释性和透明度与DNN的性能结合起来。

将图像分割成小的q x q图像色块

通过DNN传递补丁以获取每个补丁的类证据（logits）

对所有补丁的证据求和，以达到图像级决策

BagNets的分类策略：对于每个补丁，我们使用DNN提取类证据（logits）并总结所有补丁的总类证据

为了以最简单和最有效的方式实现这一策略，我们采用标准的ResNet-50架构，用1x1卷积替换大多数（但不是全部）3x3卷积。

在这种情况下，最后一个卷积层中的隐藏单元每个只“看到”图像的一小部分（即它们的感受野远小于图像的大小）。

这就避免了对图像的显式分区，并且尽可能接近标准CNN，同时仍然实现概述的策略，我们称之为模型结构BagNet-q：其中q代表最顶层的感受域大小（我们测试q=9,17和33）。BagNet-q的运行时间大约是ResNet-50的运行时间的2.5倍。

在ImageNet上具有不同贴片尺寸的BagNets的性能。

即使对于非常小的贴片尺寸，BagNet上的BagNets性能也令人印象深刻：尺寸为17 x 17像素的图像特征足以达到AlexNet级别的性能，而尺寸为33 x 33像素的特征足以达到约87％的前5精度。通过更仔细地放置3 x 3卷积和额外的超参数调整，可以实现更高的性能值。

这是我们得到的第一个重要结果：只需使用一组小图的特性即可解决ImageNet问题。对象形状或对象部分之间的关系等远程空间关系可以完全忽略，并且不需要解决任务。

BagNets的一大特色是他们透明的决策。例如，我们现在可以查看哪个图像特征对于给定的类最具预测性。

图像功能具有最多的类证据。 我们展示了正确预测类（顶行）的功能和预测错误类（底行）的分散注意力的功能

上图中，最上面的手指图像被识别成tench（丁鱥guì，是淡水钓鱼的主要鱼种，也是鲈鱼等猎食性鱼类的饲料），因为这个类别中的大多数图像，都有一个渔民像举奖杯一样举起丁鱥。

同样，我们还得到一个精确定义的热图，显示图像的哪些部分促使神经网络做出某个决定。

来自BagNets的热图显示了确切的图像部分对决策的贡献。 热图不是近似的，而是显示每个图像部分的真实贡献。

ResNet-50与BagNets惊人相似

BagNets表明，基于本地图像特征和对象类别之间的弱统计相关性，可以在ImageNet上达到高精度。

如果这就够了，为什么像ResNet-50这样的标准深网会学到任何根本不同的东西？ 如果丰富的本地图像特征足以解决任务，那为什么ResNet-50还需要了解复杂的大尺度关系（如对象的形状）？

为了验证现代DNN遵循与简单的特征包网络类似的策略的假设，我们在BagNets的以下“签名”上测试不同的ResNets，DenseNets和VGG：

决策对图像特征的空间改组是不变的（只能在VGG模型上测试）

不同图像部分的修改应该是独立的（就其对总类证据的影响而言）

标准CNN和BagNets产生的错误应该类似

标准CNN和BagNets应对类似功能敏感

在所有四个实验中，我们发现CNN和BagNets之间的行为非常相似。 例如，在上一个实验中，我们展示了BagNets最敏感的那些图像部分（例如，如果你遮挡那些部分）与CNN最敏感的那些基本相同。

实际上，BagNets的热图（灵敏度的空间图）比由DeepLift（直接为DenseNet-169计算热图）等归因方法生成的热图,更好地预测了DenseNet-169的灵敏度。

当然，DNN并不完全类似于特征包模型，但确实显示出一些偏差。特别是，我们发现网络越深入，功能越来越大，远程依赖性也越来越大。

因此，更深层的神经网络确实改进了更简单的特征包模型，但我认为核心分类策略并没有真正改变。

解释CNN几个奇怪的现象

将CNN的决策视为一种BoF策略，可以解释有关CNN的几个奇怪的观察。首先，它将解释为什么CNN具有如此强烈的纹理偏差；其次，它可以解释为什么CNN对图像部分的混乱如此不敏感；甚至可以解释一般的对抗性贴纸和对抗性扰动的存在，比如人们在图像中的任何地方放置误导信号，并且无论这些信号是否适合图像的其余部分，CNN仍然可以可靠地接收信号。

我们的成果显示，CNN利用自然图像中存在的许多弱统计规律进行分类，并且不会像人类一样跳向图像部分的对象级整合。其他任务和感官方式也是如此。

我们必须认真思考如何构建架构、任务和学习方法，以抵消这种弱统计相关性的趋势。一种方式，是将CNN的归纳偏差从小的局部特征改善为更全局的特征；另一种方式，是删除、或替换网络不应该依赖的那些特征。

然而，最大的问题之一当然是图像分类本身的任务：如果局部图像特征足以解决任务，也就不需要去学习自然界的真实“物理学”，这样我们就必须重构任务，推着模型去学习对象的物理本质。

这样就很可能需要跳出纯粹只通过观察学习，获得输入和输出特征之间相关性的方式，以便允许模型提取因果依赖性。

总结

总之，我们的结果表明CNN可能遵循极其简单的分类策略。科学家认为这个发现可能在2019继续成为关注的焦点，凸显了我们对深度神经网络的内部运作了解甚少。

缺乏理解使我们无法从根本上发展出更好的模型和架构，来缩小人与机器之间的差距。深化我们的理解，将使我们能够找到弥合这一差距的方法。

这将带来异常丰厚的回报：当我们试图将CNN偏向物体的更多物理特性时，我们突然达到了接近人类的噪声稳健性。

我们继续期待在2019年，在这一领域上会出现更多令人兴奋的结果，获得真正了解了真实世界中，物理和因果性质的卷积神经网络。