原创【残差网络升级】深度残差收缩网络

 2020-1-15 20:52  4814 17 2 分类: 机器人/ AI

深度残差网络(ResNet)是一种非常成功的深度学习模型，自2015年底在arXiv公布以来，在谷歌学术上的引用量已经达到了惊人的37185次。深度残差收缩网络是ResNet的一种新型改进，这篇文章将进行详细的介绍。

首先，深度残差网络的核心贡献在于，引入了恒等映射，也就是下图中的Identity shortcut。普通的卷积神经网络是没有跨层的恒等映射的。更具体地，下图中的(a)-(c)展示了三种残差模块(residual building unit, RBU)，每个残差模块都包含了一个恒等映射。在图(a)中，输入特征图和输出特征图的尺寸是相同的。在图(b)和(c)中，输出特征图的尺寸是和输入特征图不同的。深度残差网络的整体结构如图(d)所示。我们可以发现，深度残差网络的主体部分，是由很多残差模块堆叠而成的。

通常情况下，样本中含有噪声，或者与标签无关的冗余信息，会导致深度学习算法的效果有所降低。那么怎么解决这个问题呢？深度残差收缩网络提供了一种思路。

深度残差收缩网络的主要工作之一，就是在残差模块中添加了软阈值化，作为非线性的变换。如下图(a)所示，软阈值化将绝对值小于某一阈值的特征，直接赋值为零。将其他的特征，朝着零的方向，进行一定程度的“收缩”。这也是深度残差收缩网络名称的由来。

在图(b)中，作者进一步分析了软阈值化函数的梯度特性：梯度值要么为0，要么为1。与ReLU激活函数类似，这一特性减小了深度学习在训练时遭遇“梯度消失”和“梯度爆炸”的风险。

另外，阈值的取值是要满足一些条件的。第一，阈值是正数。第二，阈值不能太大。假设输入特征的取值都在-1和1之间，如果阈值为10，那么输出就会全部是0。第三，每个样本都应该根据自己的噪声含量，确定自己的阈值。也就是说，样本之间，应该有不同的阈值设置。

在深度残差收缩网络的残差模块中，嵌入了一个子模块(类似Squeeze-and-Excitation Networks)，用于自动地设置软阈值化函数所用到的阈值。在图(a)中，整个特征图共用一个阈值。在图(c)中，特征图的每个通道各有一个独立的阈值。同时，图(b)和图(d)展示了两种深度残差收缩网络(DRSN-CS和DRSN-CW)的整体结构。我们可以发现，它们的整体结构其实是一致的，唯一的区别在于残差模块的不同。

我们可以看到，在这种网络结构之下，所获得的阈值，不仅为正数，而且取值不会太大（不会让所有输出全部为0）。另外，每个样本的阈值都是根据自己的特征图所确定的，因此每个样本都会有它自己独特的一组阈值。从而满足了上述关于阈值的三个条件。

作者采集了齿轮箱在健康状态和7种故障状态下的振动信号，进行分类算法的验证。在这里，为了充分验证深度残差收缩网络对含噪信号的分类能力，作者在这些振动信号中分别添加了不同程度的高斯白噪声、拉普拉斯噪声和粉红噪声，并且与一般的卷积神经网络(ConvNet)和深度残差网络(ResNet)进行了对比。

下面是添加-5dB到5dB高斯白噪声时的分类准确率对比：(a)训练集上的准确率，(b)测试集上的准确率

然后是添加-5dB到5dB拉普拉斯噪声时的分类准确率对比：(a)训练集上的准确率，(b)测试集上的准确率

最后是添加-5dB到5dB粉红噪声时的分类准确率对比：(a)训练集上的准确率，(b)测试集上的准确率

将高层特征约简到二维空间进行可视化，可以得到如下图片：(a) ConvNet，(b) ResNet，(c) 第一种深度残差收缩网络(DRSN-CS)，(d)第二种深度残差收缩网络(DRSN-CW)。我们可以看到，深度残差收缩网络能够更好地将各种健康状态分离开来。

将训练过程中训练集和测试集上的损失绘制出来，可以得到如下图片：(a) ConvNet，(b) ResNet，(c) 第一种深度残差收缩网络(DRSN-CS)，(d)第二种深度残差收缩网络(DRSN-CW)。可以看到深度残差收缩网络的loss被优化得更低。

M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht, Deep Residual Shrinkage Networks for Fault Diagnosis, IEEE Transactions on Industrial Informatics, 2019, DOI: 10.1109/TII.2019.2943898

https://ieeexplore.ieee.org/document/8850096