【论文阅读】ResnetV3:ResNeXt Aggregated Residual Transformations for Deep Neural Networks

论文名称：Aggregated Residual Transformations for Deep Neural Networks
作者：Saining Xie1 \ Ross Girshick \ Zhuowen Tu \ Kaiming He
论文地址：http://openaccess.thecvf.com/content_cvpr_2017/papers/Xie_Aggregated_Residual_Transformations_CVPR_2017_paper.pdf
发表年份：CVPR 2017

---

ResNeXt算是Resnet的V3版本（不明白这个名字的含义，觉得很别扭）。基于ResNeXt的模型ILSVRC2016的图像分类中获得亚军（冠军是中国的Trimps-Soushen）。但抛开高准确性，ResNeXt的结构性、可扩展性、易用性使得它仍然风靡视觉界。

1 动机

Inception构建网络时，独辟蹊径，使用split-transform-merge的方式构建block unit，然后堆叠这些block，取得了很好的效果，但是Inception里那些block unit中的卷积核的个数/尺寸等都是对ImageNet数据集量身定做的，如果换个数据集，那么如果要达到更好的效果需要手动调整这些参数，，，，，，，，，，，。
VGG和ResnetV1/2都采用堆叠相同拓扑结构的“block unit”的方式构建网络，也取得了很好的效果，而且这种情况下block unit中的超参数数量是极少的。
那么能不能取Inception和VGG/ResnetV1/2两家之长呢？

2 贡献

作者提出一种新的残差映射的单元结构，在不增加计算的情况下，进一步提升Resnet的性能！

3 方法

3.1 split-transform-merge思想

这种思想来自Inception。对于单个神经元的操作可以深入浅出的解释这种行为。

原输入$x$被“split”成$x_1,x_2,x_3,,,x_D$，然后单独做“transform” $y_i=w_i\ast x_i$，最后“merge” $y=\sum (y_i)$。
现在把单个神经元换成单个block unit，就可以重新构建残差块。

变形

对于新的残差块的实现一共有3中方式，而且3中方式效果等效，但是$c$的速度要快一些，所以应该使用$c$。

3.2 模板思想

这种思想来着VGG和ResnetV1/2,每个block都是来自同一个拓扑结构模板，其中的微小区别也可以用一两个参数解决，这样可以使得网络设计的灵活性和泛化性极高，即即使需要对于某个新的数据集更改网络结构也变得十分简单。
把上面的新的残差块模板化，参数就是分成的份数(论文中称为 cardinality)和每一份的width(论文中把width定义为channel的个数)。

3.3 网络结构

_for ImageNet

3.4 实现细节

• 使用$c$方式构建残差块
• 其余超参数、优化器及其参数等 与ResnetV1相同

4 实验

4.1 验证ResNeXt的优越性

_注：下面结果中的(m x nd)中，m表示cardinality的个数，n表示每个cardinality的width

4.2 ResNeXt用于目标检测

同ResnetV1中一致，仍然使用Faster RCNN框架，这次使用ResNeXt作为特征提取器。

5 思考

1.文中并没有对新的残差块设计为什么有效给出解释。

本人对这种设计的理解是：
先看单个神经元的操作，把$x$“split”之后在做“transform”时$w_i$仅仅对$x_i$负责，那么训练出来的$W$应该很纯净。
再看卷积实现，假设 X : ( C , H , W ) = { X 1 , X 2 , . . . , X C } X:(C,H,W)=\{X_1,X_2,...,X_C\} X:(C,H,W)={X1​,X2​,...,XC​}，如果对它卷积，那么卷积核 F i l t e r : ( F , C , H , W ) = { w 1 , w 2 , . . . , w F } Filter:(F,C,H,W)=\{w_1,w_2,...,w_F\} Filter:(F,C,H,W)={w1​,w2​,...,wF​}在对$X$卷积时，直接对$X_i$负责的部分广泛分布在$w_1,w_2,...,w_C$中，可以记为$w_{ji},1\le j\le C$，那么训练出来的$w_1,w_2,...,w_C$每一个都在对整个$X$负责。即对于$X_i$，$Filter$中并不存在某个确定的单独对它负责的卷积子核$w_j$，这样训练出的$Filter$认为是不纯净的。
而如果把$X$“split”成$X_1,X_2,...,X_K$，然后分别让$w_1(C/K,H,W),w_2(C/K,H,W),...w_k(C/K,H,W)$去卷积，这样就有$w_j$单独对$X_i$负责，这样训练出来的$w_k$相较于一开始的$w_j$应该要纯净，并且当$K=C$时，就把$X$全部“split”,这个时候的$w_k$应该最纯净，效果最好。
并且在计算量大致相同的情况下，“split-transform-merge”的方式下，对$X_i$负责的参数数目会增加。