ICLR 2019一篇論文指出：DNN解決ImageNet時的策略似乎比我們想象的要簡單得多。這個發現使我們能夠構建更具解釋性和透明度的圖像分類管道，同時也解釋了現代CNN中觀察到的一些現象。

建議收藏本文，并轉發到朋友圈，讓更多人受益

CNN非常擅長對亂序圖像進行分類，但人類并非如此。

在這篇文章中，作者展示了為什么最先進的深度神經網絡仍能很好地識別亂碼圖像，探究其中原因有助于揭示DNN使用讓人意想不到的簡單策略，對自然圖像進行分類。

在ICLR 2019一篇論文指出上述發現能夠：

解決ImageNet比許多人想象的要簡單得多

使我們能夠構建更具解釋性和透明度的圖像分類pipeline

解釋了現代CNN中觀察到的一些現象，例如對紋理的偏見以及忽略了對象部分的空間排序

復古bag-of-features模型

在深度學習出現之前，自然圖像中的對象識別過程相當粗暴簡單：定義一組關鍵視覺特征（“單詞”），識別每個視覺特征在圖像中的存在頻率（“包”），然后根據這些數字對圖像進行分類。 這些模型被稱為“特征包”模型（BoF模型）。

舉個例子，給定一個人眼和一個羽毛，我們想把圖像分類為“人”和“鳥”兩類。最簡單的BoF模型工作流程是這樣的：對于圖像中的每只眼睛，它將“人類”的證據增加+1。反之亦然；對于圖像中的每個羽毛，它將增加“鳥”的證據+1；無論什么類積累，圖像中的大多數證據都是預測的。

這個最簡單的BoF模型有一個很好的特性，是它的可解釋性和透明的決策制定。我們可以準確地檢查哪個圖像特征攜帶了給定的類的證據，證據的空間整合是非常簡單的（與深度神經網絡中的深度非線性特征整合相比），很容易理解模型如何做出決定。

傳統的BoF模型在深度學習開始之前一直非常先進、非常流行。但由于其分類性能過低，而很快失寵。可是，我們怎么確定深度神經網絡有沒有使用與BoF模型截然不同的決策策略呢？

一個很深卻可解釋的BoF網絡（BagNet）

為了測試這一點，研究人員將BoF模型的可解釋性和透明度與DNN的性能結合起來。

將圖像分割成小的q x q圖像色塊

通過DNN傳遞補丁以獲取每個補丁的類證據（logits）

對所有補丁的證據求和，以達到圖像級決策

BagNets的分類策略：對于每個補丁，我們使用DNN提取類證據（logits）并總結所有補丁的總類證據

為了以最簡單和最有效的方式實現這一策略，我們采用標準的ResNet-50架構，用1x1卷積替換大多數（但不是全部）3x3卷積。

在這種情況下，最后一個卷積層中的隱藏單元每個只“看到”圖像的一小部分（即它們的感受野遠小于圖像的大小）。

這就避免了對圖像的顯式分區，并且盡可能接近標準CNN，同時仍然實現概述的策略，我們稱之為模型結構BagNet-q：其中q代表最頂層的感受域大小（我們測試q=9,17和33）。BagNet-q的運行時間大約是ResNet-50的運行時間的2.5倍。

在ImageNet上具有不同貼片尺寸的BagNets的性能。

即使對于非常小的貼片尺寸，BagNet上的BagNets性能也令人印象深刻：尺寸為17 x 17像素的圖像特征足以達到AlexNet級別的性能，而尺寸為33 x 33像素的特征足以達到約87％的前5精度。通過更仔細地放置3 x 3卷積和額外的超參數調整，可以實現更高的性能值。

這是我們得到的第一個重要結果：只需使用一組小圖的特性即可解決ImageNet問題。對象形狀或對象部分之間的關系等遠程空間關系可以完全忽略，并且不需要解決任務。

BagNets的一大特色是他們透明的決策。例如，我們現在可以查看哪個圖像特征對于給定的類最具預測性。

圖像功能具有最多的類證據。 我們展示了正確預測類（頂行）的功能和預測錯誤類（底行）的分散注意力的功能

上圖中，最上面的手指圖像被識別成tench（丁鱥guì，是淡水釣魚的主要魚種，也是鱸魚等獵食性魚類的飼料），因為這個類別中的大多數圖像，都有一個漁民像舉獎杯一樣舉起丁鱥。

同樣，我們還得到一個精確定義的熱圖，顯示圖像的哪些部分促使神經網絡做出某個決定。

來自BagNets的熱圖顯示了確切的圖像部分對決策的貢獻。 熱圖不是近似的，而是顯示每個圖像部分的真實貢獻。

ResNet-50與BagNets驚人相似

BagNets表明，基于本地圖像特征和對象類別之間的弱統計相關性，可以在ImageNet上達到高精度。

如果這就夠了，為什么像ResNet-50這樣的標準深網會學到任何根本不同的東西？ 如果豐富的本地圖像特征足以解決任務，那為什么ResNet-50還需要了解復雜的大尺度關系（如對象的形狀）？

為了驗證現代DNN遵循與簡單的特征包網絡類似的策略的假設，我們在BagNets的以下“簽名”上測試不同的ResNets，DenseNets和VGG：

決策對圖像特征的空間改組是不變的（只能在VGG模型上測試）

不同圖像部分的修改應該是獨立的（就其對總類證據的影響而言）

標準CNN和BagNets產生的錯誤應該類似

標準CNN和BagNets應對類似功能敏感

在所有四個實驗中，我們發現CNN和BagNets之間的行為非常相似。 例如，在上一個實驗中，我們展示了BagNets最敏感的那些圖像部分（例如，如果你遮擋那些部分）與CNN最敏感的那些基本相同。

實際上，BagNets的熱圖（靈敏度的空間圖）比由DeepLift（直接為DenseNet-169計算熱圖）等歸因方法生成的熱圖,更好地預測了DenseNet-169的靈敏度。

當然，DNN并不完全類似于特征包模型，但確實顯示出一些偏差。特別是，我們發現網絡越深入，功能越來越大，遠程依賴性也越來越大。

因此，更深層的神經網絡確實改進了更簡單的特征包模型，但我認為核心分類策略并沒有真正改變。

解釋CNN幾個奇怪的現象

將CNN的決策視為一種BoF策略，可以解釋有關CNN的幾個奇怪的觀察。首先，它將解釋為什么CNN具有如此強烈的紋理偏差；其次，它可以解釋為什么CNN對圖像部分的混亂如此不敏感；甚至可以解釋一般的對抗性貼紙和對抗性擾動的存在，比如人們在圖像中的任何地方放置誤導信號，并且無論這些信號是否適合圖像的其余部分，CNN仍然可以可靠地接收信號。

我們的成果顯示，CNN利用自然圖像中存在的許多弱統計規律進行分類，并且不會像人類一樣跳向圖像部分的對象級整合。其他任務和感官方式也是如此。

我們必須認真思考如何構建架構、任務和學習方法，以抵消這種弱統計相關性的趨勢。一種方式，是將CNN的歸納偏差從小的局部特征改善為更全局的特征；另一種方式，是刪除、或替換網絡不應該依賴的那些特征。

然而，最大的問題之一當然是圖像分類本身的任務：如果局部圖像特征足以解決任務，也就不需要去學習自然界的真實“物理學”，這樣我們就必須重構任務，推著模型去學習對象的物理本質。

這樣就很可能需要跳出純粹只通過觀察學習，獲得輸入和輸出特征之間相關性的方式，以便允許模型提取因果依賴性。

總結

總之，我們的結果表明CNN可能遵循極其簡單的分類策略。科學家認為這個發現可能在2019繼續成為關注的焦點，凸顯了我們對深度神經網絡的內部運作了解甚少。

缺乏理解使我們無法從根本上發展出更好的模型和架構，來縮小人與機器之間的差距。深化我們的理解，將使我們能夠找到彌合這一差距的方法。

這將帶來異常豐厚的回報：當我們試圖將CNN偏向物體的更多物理特性時，我們突然達到了接近人類的噪聲穩健性。

我們繼續期待在2019年，在這一領域上會出現更多令人興奮的結果，獲得真正了解了真實世界中，物理和因果性質的卷積神經網絡。