本文贡献主要有两点：
- 把语法模型和深度神经网络模型结合起来，设计的模型同时兼顾特征的 exploration and exploitation（探索和利用），并在网络的深度和宽度上保持平衡；
- 设计的网络结构，在分类任务和目标检测任务上，都比基于残差结构的方法要好。
如果你对本文工作感兴趣，点击底部的阅读原文即可查看原论文。
关于作者：杜敏，华中科技大学硕士生，研究方向为模式识别与智能系统。
■ 论文 | AOGNets: Deep AND-OR Grammar Networks for Visual Recognition
■ 链接 | https://www.paperweekly.site/papers/1315
■ 作者 | duinodu
论文亮点
网络工程问题，属于深度学习中比较基础的问题。网络工程的最大难点在于，由于缺乏对深度神经网络的理论理解，无法根据某种理论来设计网络结构，实际中更多的不断地尝试，根据实验反馈来确定某种结构是不是好。
而使用像增强学习、进化算法等自动学习网络结构的方法，搜索空间巨大。有两个子空间，一个是结构连接子空间，一个是运算符子空间，搜索空间是这两个空间的乘积，自动学习网络结构的算法需要昂贵的计算资源。
本文的解决办法是，把语法模型（grammer model）放到神经网络的设计中来，在分类和目标检测任务中，均取得比基于残差结构的模型更好的效果。
模型介绍
整个模型概览图如下：
中间有 4 个 AOG 构建块，每个 AOG 块的结构如下图所示：
AOG 的全称叫 AND-OR graph，是一种语法模型（grammer model）。在人工智能的发展历程中，大体有两种解决办法：一种是自底向上，即目前非常流形的深度神经网络方法，另一种方法是自顶向下，语法模型可以认为是一种自顶向下的方法。
所谓的语法模型，即规定 3-4 条规则，构建 graph，graph 可以认为是一种特征表达的范式，它没有具体规定特征表达是什么形式，但是如果遵循这种规则构建特征表达，却能达到比较好的效果。本文使用如下三条语法规则：
AOGNet 的构建流程如下：
可以配合视频[1]，看这个流程图。
网络工程分为两个部分：设计连接结构和设计运算操作符（structure space 和 operator space）。
整个的 CNN 发展历程，都可以归结到这两点。论文的相关工作部分，很好地对 CNN 网络结构的演变，梳理了一番，有如下网络结构：
- LeNet-5（20 年前）
- AlexNet（8 层，在 operator space 提出两种新的操作符：ReLU 和 Dropout)）
- VGG Net（19 层，多个连续的重复的小卷积核，且卷积的 stride 很小）
- network-in-network（用 1x1 的卷积，在层层之间，增大或者较少特征的维数）
- GoogleNet（inception, bottleneck）
- Highway network（skip connection）
- Residual Network（Residual connection）
- Fractal Net（another short path without residual）
- DenseNet（concatenation scheme）
- Dual Path Network SE-Net（channel-wise encoding）
- Hourglass（subsampling & upsampling）
使用三条语法规则构建了网络连接方式，网络中每个节点的运算操作符采用 Bottleneck + Conv_BN_ReLU 的方式。
其实可以不同的节点，设计不同的运算符，作者这里都统一成一样的。处理上面统一的运算符，各个不同的节点还要分别做下面的运算。
实验结果
在 CIFAR 和 ImageNet-1k 上做了分类的实验，在 VOC0712 做了目标检测的实验（使用 fasterRCNN 框架）。
文章评价
本文作者团队是朱松纯教授[2]组的，他们组一直在做语法模型。之前读过他写的《人工智能的现状、任务、架构和统一》[3]，看到这篇文章以及了解了语法模型，才算是了解朱松纯组到底要做什么样的事情。
语法模型和深度神经网络，是可以相互融合的方法，前者基于规则，后者基于大量数据拟合。本文只是语法模型的冰山一角，另一篇论文 Interpretable R-CNN [4]，也用到了语法模型，和 RFCN 方法结合，获得一种目标的 part configuration。
这种语法模型目前还在探索之中，尤其是和深度神经网络结合的工作，以及和 GAN、RL 等不同范式的深度学习方法结合，应该会有有趣的工作。
原文发布时间为：2017-12-19
本文作者：杜敏
本文来自云栖社区合作伙伴“PaperWeekly”，了解相关信息可以关注“PaperWeekly”微信公众号
