CNN和RNN幾乎占據(jù)著深度學(xué)習(xí)的半壁江山，所以本文將著重講解CNN+RNN的對比，以及各種組合方式。

一、CNN與RNN對比

1. CNN卷積神經(jīng)網(wǎng)絡(luò)與RNN遞歸神經(jīng)網(wǎng)絡(luò)直觀圖

2. 相同點：

• 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的擴展。
• 前向計算產(chǎn)生結(jié)果，反向計算模型更新。
• 每層神經(jīng)網(wǎng)絡(luò)橫向可以多個神經(jīng)元共存,縱向可以有多層神經(jīng)網(wǎng)絡(luò)連接。

3. 不同點

• CNN空間擴展，神經(jīng)元與特征卷積;RNN時間擴展，神經(jīng)元與多個時間輸出計算
• RNN可以用于描述時間上連續(xù)狀態(tài)的輸出，有記憶功能，CNN用于靜態(tài)輸出
•  CNN高級100+深度，RNN深度有限

二、CNN+RNN組合方式

1. CNN 特征提取，用于RNN語句生成圖片標注。

2. RNN特征提取用于CNN內(nèi)容分類視頻分類。

3. CNN特征提取用于對話問答圖片問答。

三、具體應(yīng)用

1. 圖片標注

基本思路：

• 目標是產(chǎn)生標注的語句，是一個語句生成的任務(wù)，LSTM?
• 描述的對象大量圖像信息，圖像信息表達，CNN?

CNN網(wǎng)絡(luò)中全連接層特征描述圖片，特征與LSTM輸入結(jié)合。

具體步驟：

(1) 模型設(shè)計-特征提取

全連接層特征用來描述原圖片

LSTM輸入：word+圖片特征;輸出下一word。

(2) 模型設(shè)計-數(shù)據(jù)準備

• 圖片CNN特征提取
• 圖片標注生成Word2Vect 向量
• 生成訓(xùn)練數(shù)據(jù)：圖片特征+第n單詞向量：第n+1單詞向量。

(3) 模型訓(xùn)練：

• 運用遷移學(xué)習(xí)，CNN特征，語句特征應(yīng)用已有模型
• 最終的輸出模型是LSTM，訓(xùn)練過程的參數(shù)設(shè)定：梯度上限(gradient clipping), 學(xué)習(xí)率調(diào)整(adaptivelearning)
• 訓(xùn)練時間很長。

(4) 模型運行：

• CNN特征提取
• CNN 特征+語句開頭，單詞逐個預(yù)測

2. 視頻行為識別 ：

視頻中在發(fā) 生什么?

常用方法總結(jié)：

(1) RNN用于CNN特征融合：

• CNN 特征提取
• LSTM判斷
• 多次識別結(jié)果分析。

不同的特征不同輸出。

或者：所有特征作為一個輸出。

(2) RNN用于CNN特征篩選+融合：

• 并不是所有的視頻 圖像包含確定分類信息
• RNN用于確定哪些frame 是有用的
• 對有用的圖像特征 融合。

(3) RNN用于目標檢測：

• CNN直接產(chǎn)生目標候選區(qū)
• LSTM對產(chǎn)生候選區(qū)融合(相鄰時刻位置近 似)
• 確定最終的精確位置。

(4) 多種模型綜合：應(yīng)用中，為了產(chǎn)生***結(jié)果，多采用多模型ensemble形式。