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。

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

2.1. 传统神经网络的扩展。

2.2. 前向计算产生结果，反向计算模型更新。

2.3. 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

3.1. 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

3.2. 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

3. 3. CNN高级100+深度，RNN深度有限

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。

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

a. 图片CNN特征提取

b. 图片标注生成Word2Vect 向量

c. 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：

a. 运用迁移学习，CNN特征，语句特征应用已有模型

b. 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)

c. 训练时间很长。

（4）模型运行：

a. CNN特征提取

b. 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

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。

RNN用于CNN特征筛选＋融合

a. 并不是所有的视频 图像包含确定分类信息

b. RNN用于确定哪些frame 是有用的

c. 对有用的图像特征 融合。

RNN用于目标检测

a. CNN直接产生目标候选区

b. LSTM对产生候选区融合（相邻时刻位置近 似）

c. 确定最终的精确位置。

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。