目录
一、论文
《ResNeSt: Split-Attention Networks》
二、阅读资料
ResNet最强改进版来了!ResNeSt:Split-Attention Networks
【论文笔记】张航和李沐等提出:ResNeSt: Split-Attention Networks(ResNet改进版本)
三、网络对比
1、SE块
简单地说,把特征图经过卷积操作变为1x1xC大小,当做权重乘到每张特征图上,以起到特征增强的目的。
2、SK块
简单地说,经过不同的卷积操作,生成大小相同的特征图,然后进行add合并操作,不改变大小,经过卷积操作生成权重,分别乘到两个特征图中,在合并,整个块不改变通道数和大小。得到更加丰富的特征。当然,其中的Split中卷积操作使用分组卷积效果更好。
3、ResNeXt块
多分支,但使用了组卷积。
4、ResNeSt
右边图:基数组内的注意力分散。 为了简化图中的可视化,我们在该图中使用c = C/K。
可能现在看起来,大概是一个SK块只分了两路,且就是多个SK块连接起来就构成的SK-Net,但是ResNeSt中分了K个组,每个组又分了r路,增加了网络的宽度。将输入分为K个,每一个记为Cardinal1-k ,然后又将每个Cardinal拆分成R个,每一个记为Split1-r,所以总共有G=KR个组
四、代码
"""Split-Attention"""
import torch
from torch import nn
import torch.nn.functional as F
from torch.nn import Conv2d, Module, Linear, BatchNorm2d, ReLU
from torch.nn.modules.utils import _pair
__all__ = ['SplAtConv2d']
class SplAtConv2d(Module):
"""Split-Attention Conv2d
"""
def __init__(self, in_channels, channels, kernel_size, stride=(1, 1), padding=(0, 0),
dilation=(1, 1), groups=1, bias=True,
radix=2, reduction_factor=4,
rectify=False, rectify_avg=False, norm_layer=None,
dropblock_prob=0.0, **kwargs):
super(SplAtConv2d, self).__init__()
padding = _pair(padding)
self.rectify = rectify and (padding[0] > 0 or padding[1] > 0)
self.rectify_avg = rectify_avg
inter_channels = max(in_channels*radix//reduction_factor, 32)
self.radix = radix
self.cardinality = groups
self.channels = channels
self.dropblock_prob = dropblock_prob
if self.rectify:
from rfconv import RFConv2d
self.conv = RFConv2d(in_channels, channels*radix, kernel_size, stride, padding, dilation,
groups=groups*radix, bias=bias, average_mode=rectify_avg, **kwargs)
else:
self.conv = Conv2d(in_channels, channels*radix, kernel_size, stride, padding, dilation,
groups=groups*radix, bias=bias, **kwargs)
self.use_bn = norm_layer is not None
if self.use_bn:
self.bn0 = norm_layer(channels*radix)
self.relu = ReLU(inplace=True)
self.fc1 = Conv2d(channels, inter_channels, 1, groups=self.cardinality)