CNN与RNN比较与组合

CNN和RNN几乎占据着深度学习的半壁江山，所以本文将着重讲解CNN+RNN的对比，以及各种组合方式。

一、CNN与RNN对比

1. CNN卷积神经网络与RNN递归神经网络直观图

2. 相同点：

• 传统神经网络的扩展。
• 前向计算产生结果，反向计算模型更新。
• 每层神经网络横向可以多个神经元共存,纵向可以有多层神经网络连接。

3. 不同点

• CNN空间扩展，神经元与特征卷积;RNN时间扩展，神经元与多个时间输出计算
• RNN可以用于描述时间上连续状态的输出，有记忆功能，CNN用于静态输出
•  CNN高级100+深度，RNN深度有限

二、CNN+RNN组合方式

1. CNN 特征提取，用于RNN语句生成图片标注。

2. RNN特征提取用于CNN内容分类视频分类。

3. CNN特征提取用于对话问答图片问答。

三、具体应用

1. 图片标注

基本思路：

• 目标是产生标注的语句，是一个语句生成的任务，LSTM?
• 描述的对象大量图像信息，图像信息表达，CNN?

CNN网络中全连接层特征描述图片，特征与LSTM输入结合。

具体步骤：

(1) 模型设计-特征提取

全连接层特征用来描述原图片

LSTM输入：word+图片特征;输出下一word。

(2) 模型设计-数据准备

• 图片CNN特征提取
• 图片标注生成Word2Vect 向量
• 生成训练数据：图片特征+第n单词向量：第n+1单词向量。

(3) 模型训练：

• 运用迁移学习，CNN特征，语句特征应用已有模型
• 最终的输出模型是LSTM，训练过程的参数设定：梯度上限(gradient clipping), 学习率调整(adaptivelearning)
• 训练时间很长。

(4) 模型运行：

• CNN特征提取
• CNN 特征+语句开头，单词逐个预测

2. 视频行为识别 ：

视频中在发 生什么?

常用方法总结：

(1) RNN用于CNN特征融合：

• CNN 特征提取
• LSTM判断
• 多次识别结果分析。

不同的特征不同输出。

或者：所有特征作为一个输出。

(2) RNN用于CNN特征筛选+融合：

• 并不是所有的视频 图像包含确定分类信息
• RNN用于确定哪些frame 是有用的
• 对有用的图像特征 融合。

(3) RNN用于目标检测：

• CNN直接产生目标候选区
• LSTM对产生候选区融合(相邻时刻位置近 似)
• 确定最终的精确位置。

(4) 多种模型综合：应用中，为了产生最好结果，多采用多模型ensemble形式。