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(duì)比，以及各種組合方式。

一、CNN與RNN對(duì)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(diǎn)：

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的擴(kuò)展。

前向計(jì)算產(chǎn)生結(jié)果，反向計(jì)算模型更新。

每層神經(jīng)網(wǎng)絡(luò)橫向可以多個(gè)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(diǎn)

CNN空間擴(kuò)展，神經(jīng)元與特征卷積;RNN時(shí)間擴(kuò)展，神經(jīng)元與多個(gè)時(shí)間輸出計(jì)算

RNN可以用于描述時(shí)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(jí)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(yǔ)句生成圖片標(biāo)注。

2. RNN特征提取用于CNN內(nèi)容分類(lèi)視頻分類(lèi)。

3. CNN特征提取用于對(duì)話問(wèn)答圖片問(wèn)答。

三、具體應(yīng)用

1. 圖片標(biāo)注

基本思路：

目標(biāo)是產(chǎn)生標(biāo)注的語(yǔ)句，是一個(gè)語(yǔ)句生成的任務(wù)，LSTM?

描述的對(duì)象大量圖像信息，圖像信息表達(dá)，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(jì)-特征提取

全連接層特征用來(lái)描述原圖片

LSTM輸入：word+圖片特征;輸出下一word。

(2) 模型設(shè)計(jì)-數(shù)據(jù)準(zhǔn)備

圖片CNN特征提取

圖片標(biāo)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(yùn)用遷移學(xué)習(xí)，CNN特征，語(yǔ)句特征應(yīng)用已有模型

最終的輸出模型是LSTM，訓(xùn)練過(guò)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(shí)間很長(zhǎng)。

(4) 模型運(yùn)行：

CNN特征提取

CNN 特征+語(yǔ)句開(kāi)頭，單詞逐個(gè)預(yù)測(cè)

2. 視頻行為識(shí)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(shí)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(gè)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(lèi)信息

RNN用于確定哪些frame 是有用的

對(duì)有用的圖像特征 融合。

(3) RNN用于目標(biāo)檢測(cè)：

CNN直接產(chǎn)生目標(biāo)候選區(qū)

LSTM對(duì)產(chǎn)生候選區(qū)融合(相鄰時(shí)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。