代码示例 / 计算机视觉 / 计算机视觉中的可学习尺寸调整

计算机视觉中的可学习尺寸调整

作者: Sayak Paul
创建日期 2021/04/30
最后修改日期 2023/12/18
描述:如何针对给定分辨率优化学习图像的表示。

ⓘ 此示例使用 Keras 3

在 Colab 中查看 GitHub 源代码

人们普遍认为,如果我们将视觉模型限制在像人类一样感知事物,则可以提高其性能。例如,在这项工作中,Geirhos 等人表明,在 ImageNet-1k 数据集上预训练的视觉模型偏向于纹理,而人类主要使用形状描述符来形成共同的感知。但是,这种信念是否始终适用,尤其是在提高视觉模型性能方面?

事实证明,情况可能并非总是如此。在训练视觉模型时,通常会将图像调整为较低维度((224 x 224)、(299 x 299) 等),以允许小批量学习,并保持计算限制。我们通常在此步骤中使用双线性插值等图像调整大小方法,并且调整大小后的图像在人眼中不会损失太多感知特征。在Learning to Resize Images for Computer Vision Tasks中,Talebi 等人表明,如果我们尝试优化视觉模型的图像感知质量而不是人眼,则可以进一步提高其性能。他们研究了以下问题

对于给定的图像分辨率和模型,如何最好地调整给定图像的大小?

如论文所示,此想法有助于持续提高常见视觉模型(在 ImageNet-1k 上预训练)的性能,例如 DenseNet-121、ResNet-50、MobileNetV2 和 EfficientNets。在本例中,我们将实现论文中提出的可学习图像调整大小模块,并在猫狗数据集上使用DenseNet-121架构演示其效果。


设置

import os

os.environ["KERAS_BACKEND"] = "tensorflow"
import keras
from keras import ops
from keras import layers
import tensorflow as tf

import tensorflow_datasets as tfds

tfds.disable_progress_bar()

import matplotlib.pyplot as plt
import numpy as np

定义超参数

为了促进小批量学习,我们需要为给定批次中的图像指定固定的形状。这就是需要初始调整大小的原因。我们首先将所有图像调整为 (300 x 300) 形状,然后学习其在 (150 x 150) 分辨率下的最佳表示。

INP_SIZE = (300, 300)
TARGET_SIZE = (150, 150)
INTERPOLATION = "bilinear"

AUTO = tf.data.AUTOTUNE
BATCH_SIZE = 64
EPOCHS = 5

在本例中,我们将使用双线性插值,但可学习图像调整大小模块不依赖于任何特定的插值方法。我们也可以使用其他方法,例如双三次插值。


加载并准备数据集

在本例中,我们仅使用总训练数据集的 40%。

train_ds, validation_ds = tfds.load(
    "cats_vs_dogs",
    # Reserve 10% for validation
    split=["train[:40%]", "train[40%:50%]"],
    as_supervised=True,
)


def preprocess_dataset(image, label):
    image = ops.image.resize(image, (INP_SIZE[0], INP_SIZE[1]))
    label = ops.one_hot(label, num_classes=2)
    return (image, label)


train_ds = (
    train_ds.shuffle(BATCH_SIZE * 100)
    .map(preprocess_dataset, num_parallel_calls=AUTO)
    .batch(BATCH_SIZE)
    .prefetch(AUTO)
)
validation_ds = (
    validation_ds.map(preprocess_dataset, num_parallel_calls=AUTO)
    .batch(BATCH_SIZE)
    .prefetch(AUTO)
)

定义可学习调整大小实用程序

下图(来自:Learning to Resize Images for Computer Vision Tasks)展示了可学习调整大小模块的结构

def conv_block(x, filters, kernel_size, strides, activation=layers.LeakyReLU(0.2)):
    x = layers.Conv2D(filters, kernel_size, strides, padding="same", use_bias=False)(x)
    x = layers.BatchNormalization()(x)
    if activation:
        x = activation(x)
    return x


def res_block(x):
    inputs = x
    x = conv_block(x, 16, 3, 1)
    x = conv_block(x, 16, 3, 1, activation=None)
    return layers.Add()([inputs, x])

    # Note: user can change num_res_blocks to >1 also if needed


def get_learnable_resizer(filters=16, num_res_blocks=1, interpolation=INTERPOLATION):
    inputs = layers.Input(shape=[None, None, 3])

    # First, perform naive resizing.
    naive_resize = layers.Resizing(*TARGET_SIZE, interpolation=interpolation)(inputs)

    # First convolution block without batch normalization.
    x = layers.Conv2D(filters=filters, kernel_size=7, strides=1, padding="same")(inputs)
    x = layers.LeakyReLU(0.2)(x)

    # Second convolution block with batch normalization.
    x = layers.Conv2D(filters=filters, kernel_size=1, strides=1, padding="same")(x)
    x = layers.LeakyReLU(0.2)(x)
    x = layers.BatchNormalization()(x)

    # Intermediate resizing as a bottleneck.
    bottleneck = layers.Resizing(*TARGET_SIZE, interpolation=interpolation)(x)

    # Residual passes.
    # First res_block will get bottleneck output as input
    x = res_block(bottleneck)
    # Remaining res_blocks will get previous res_block output as input
    for _ in range(num_res_blocks - 1):
        x = res_block(x)

    # Projection.
    x = layers.Conv2D(
        filters=filters, kernel_size=3, strides=1, padding="same", use_bias=False
    )(x)
    x = layers.BatchNormalization()(x)

    # Skip connection.
    x = layers.Add()([bottleneck, x])

    # Final resized image.
    x = layers.Conv2D(filters=3, kernel_size=7, strides=1, padding="same")(x)
    final_resize = layers.Add()([naive_resize, x])

    return keras.Model(inputs, final_resize, name="learnable_resizer")


learnable_resizer = get_learnable_resizer()

可视化可学习调整大小模块的输出

在这里,我们可视化图像在通过调整大小器的随机权重后会是什么样子。

sample_images, _ = next(iter(train_ds))


plt.figure(figsize=(16, 10))
for i, image in enumerate(sample_images[:6]):
    image = image / 255

    ax = plt.subplot(3, 4, 2 * i + 1)
    plt.title("Input Image")
    plt.imshow(image.numpy().squeeze())
    plt.axis("off")

    ax = plt.subplot(3, 4, 2 * i + 2)
    resized_image = learnable_resizer(image[None, ...])
    plt.title("Resized Image")
    plt.imshow(resized_image.numpy().squeeze())
    plt.axis("off")
Corrupt JPEG data: 65 extraneous bytes before marker 0xd9
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

png


模型构建实用程序

def get_model():
    backbone = keras.applications.DenseNet121(
        weights=None,
        include_top=True,
        classes=2,
        input_shape=((TARGET_SIZE[0], TARGET_SIZE[1], 3)),
    )
    backbone.trainable = True

    inputs = layers.Input((INP_SIZE[0], INP_SIZE[1], 3))
    x = layers.Rescaling(scale=1.0 / 255)(inputs)
    x = learnable_resizer(x)
    outputs = backbone(x)

    return keras.Model(inputs, outputs)

可学习图像调整大小模块的结构允许灵活地与不同的视觉模型集成。


使用可学习调整大小器编译并训练我们的模型

model = get_model()
model.compile(
    loss=keras.losses.CategoricalCrossentropy(label_smoothing=0.1),
    optimizer="sgd",
    metrics=["accuracy"],
)
model.fit(train_ds, validation_data=validation_ds, epochs=EPOCHS)
Epoch 1/5

 146/146 ━━━━━━━━━━━━━━━━━━━━ 1790s 12s/step - accuracy: 0.5783 - loss: 0.6877 - val_accuracy: 0.4953 - val_loss: 0.7173

Epoch 2/5

 146/146 ━━━━━━━━━━━━━━━━━━━━ 1738s 12s/step - accuracy: 0.6516 - loss: 0.6436 - val_accuracy: 0.6148 - val_loss: 0.6605

Epoch 3/5

 146/146 ━━━━━━━━━━━━━━━━━━━━ 1730s 12s/step - accuracy: 0.6881 - loss: 0.6185 - val_accuracy: 0.5529 - val_loss: 0.8655

Epoch 4/5

 146/146 ━━━━━━━━━━━━━━━━━━━━ 1725s 12s/step - accuracy: 0.6985 - loss: 0.5980 - val_accuracy: 0.6862 - val_loss: 0.6070

Epoch 5/5

 146/146 ━━━━━━━━━━━━━━━━━━━━ 1722s 12s/step - accuracy: 0.7499 - loss: 0.5595 - val_accuracy: 0.6737 - val_loss: 0.6321

<keras.src.callbacks.history.History at 0x7f126c5440a0>

可视化训练后的可视化器的输出

plt.figure(figsize=(16, 10))
for i, image in enumerate(sample_images[:6]):
    image = image / 255

    ax = plt.subplot(3, 4, 2 * i + 1)
    plt.title("Input Image")
    plt.imshow(image.numpy().squeeze())
    plt.axis("off")

    ax = plt.subplot(3, 4, 2 * i + 2)
    resized_image = learnable_resizer(image[None, ...])
    plt.title("Resized Image")
    plt.imshow(resized_image.numpy().squeeze() / 10)
    plt.axis("off")
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).
WARNING:matplotlib.image:Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

png

该图显示,图像的视觉效果在训练后有所改善。下表显示了与使用双线性插值相比,使用调整大小模块的好处

模型 参数数量(百万) Top-1 准确率
使用可学习调整大小器 7.051717 67.67%
不使用可学习调整大小器

7.039554 60.19%

更多详细信息,您可以查看此存储库。请注意,以上报告的模型在猫狗训练集的 90% 上训练了 10 个 epoch,这与本示例不同。此外,请注意,由于调整大小模块导致的参数数量增加非常微不足道。为了确保性能的提高不是由于随机性造成的,这些模型使用相同的初始随机权重进行训练。

现在,这里值得提出一个问题 - *与基线相比,改进的准确性仅仅是由于向模型添加了更多层(调整大小器毕竟是一个小型网络)的结果吗?*

为了证明情况并非如此,作者进行了以下实验

  • 获取一个经过训练的模型,该模型训练了一些尺寸,例如 (224 x 224)。
  • 现在,首先,使用它来推断调整大小到较低分辨率的图像的预测。记录性能。
  • 对于第二个实验,将调整大小模块插入预训练模型的顶部并热启动训练。记录性能。

现在,作者认为使用第二种方案更好,因为它有助于模型学习如何更好地根据给定分辨率调整表示。由于结果纯粹是经验性的,因此一些额外的实验,例如分析跨通道交互,会更好。值得注意的是,诸如Squeeze and Excitation (SE) 块Global Context (GC) 块之类的元素也会向现有网络添加一些参数,但众所周知,它们可以帮助网络以系统的方式处理信息以提高整体性能。


备注

  • 为了在视觉模型内部施加形状偏差,Geirhos 等人使用自然图像和风格化图像的组合对其进行了训练。研究这个可学习的调整大小模块是否可以实现类似的效果可能会很有趣,因为输出似乎丢弃了纹理信息。
  • 调整大小模块可以处理任意分辨率和纵横比,这对于对象检测和分割等任务非常重要。
  • 还有一个密切相关的主题是**自适应图像调整大小**,它试图在训练期间自适应地调整图像/特征图的大小。EfficientV2 使用了这个想法。