盗梦空间续集（InceptionNeXt）:使用Inception优化加速ConvNeXt实现ImageNet-1K的最佳精度

最新推荐文章于 2024-09-26 11:06:38 发布

自动驾驶实战(AIFighting)

最新推荐文章于 2024-09-26 11:06:38 发布

阅读量1k

点赞数 17

分类专栏： github 文章阅读文章标签：自动驾驶

本文链接：https://blog.csdn.net/laukal/article/details/140758150

版权

github 同时被 2 个专栏收录

57 篇文章 2 订阅

订阅专栏

文章阅读

21 篇文章 0 订阅

订阅专栏

Abstract

灵感来自ViT的长距离建模能力，大核卷积最近被广泛研究和采用，以扩大感受野并提高模型性能，例如显著的工作ConvNeXt采用7×7深度卷积。虽然这种深度算子只消耗少量的FLOPs，但由于高内存访问成本，它在强大计算设备上大大损害了模型效率。例如，ConvNeXt-T在A100 GPU上全精度训练时，与ResNet-50的FLOPs相似，但吞吐量仅为约60%。虽然减少ConvNeXt的核大小可以提高速度，但会导致显著的性能下降，这就提出了一个挑战性的问题：如何在保持性能的同时加速基于大核的CNN模型。为了解决这个问题，受Inceptions的启发，我们提出将大核深度卷积沿通道维度分解为四个并行分支，即小方核、两个正交带状核和一个恒等映射。通过这种新的Inception深度卷积，我们构建了一系列网络，即InceptionNeXt，它们不仅具有高吞吐量，还保持了竞争力的性能。例如，InceptionNeXt-T的训练吞吐量比ConvNeX-T高1.6倍，并在ImageNet-1K上获得了0.2%的top-1准确率提升。我们预计InceptionNeXt可以作为未来架构设计的经济基线，以减少碳足迹。
代码地址：
https://github.com/sail-sg/inceptionnext

欢迎加入自动驾驶实战群

Introduction

受语言生成预训练的启发，Image GPT (iGPT)将像素视为标记，并采用纯Transformer进行视觉自监督学习。然而，iGPT在处理高分辨率图像方面由于计算成本面临限制。突破来自Vision Transformer (ViT)，它将图像块视为标记，利用纯Transformer作为骨干，并在大规模监督图像预训练后在图像分类中表现出显著性能。
显然，ViT 的成功进一步激发了人们对Transformer在计算机视觉领域应用的热情。许多ViT变体，如DeiT和Swin，被提出并在各种视觉任务中取得了显著的性能。ViT类模型优于传统CNN（例如，Swin-T在ImageNet上的81.2% vs ResNet-50的76.1%）的卓越性能使许多研究人员相信Transformer最终会取代CNN并主导计算机视觉领域。
是时候让CNN反击了。随着DeiT 和Swin中先进的训练技术，“ResNet strikes back” 的工作表明，ResNet-50的性能可以提升2.3%，达到78.4%。此外，ConvNeXt 表明，使用类似于注意力窗口大小的GELU 激活和大内核大小等现代模块，CNN模型在各种设置和任务中可以始终优于Swin Transformer。ConvNeXt并不是孤军奋战：越来越多的工作显示出类似的观察结果，如RepLKNet 和SLaK。在这些现代CNN模型中，共同的关键特征是通常通过具有大内核大小的深度卷积实现的大感受野.

Formulation and Method

公式与方法

3.1. MetaNeXt

MetaNeXt模块的公式

在ConvNeXt 中，对于其每个ConvNeXt模块，输入X首先通过一个深度卷积来沿空间维度传播信息。我们遵循MetaFormer 的做法，将深度卷积抽象为一个负责空间信息交互的token mixer。因此，如图2的第二个子图所示，ConvNeXt被抽象为MetaNeXt模块。正式地，在一个MetaNeXt模块中，其输入X首先被处理为

归一化 [1, 29]之后，特征被馈送到一个MLP模块中，该模块由两个全连接层组成，在它们之间有一个激活函数，类似于Transformer中的前馈网络。这两个全连接层也可以通过1×1卷积实现。同时，采用了shortcut connection。

与MetaFormer模块的比较

如图2所示，可以发现MetaNeXt模块与MetaFormer模块共享类似的模块，例如token mixer和MLP。然而，这两种模型之间的一个关键区别在于shortcut connections的数量。MetaNeXt模块实现了一个shortcut connection，而MetaFormer模块包含两个，一个用于token mixer，一个用于MLP。从这个角度来看，MetaNeXt模块可以被认为是将MetaFormer的两个残差子模块合并的结果，从而简化了整体架构。因此，MetaNeXt架构比MetaFormer具有更高的速度。然而，这种更简单的设计有一个限制：如我们的实验（表5）所示，MetaNeXt中的token mixer组件不能太复杂（例如Attention）。

实例化到ConvNeXt

如图2所示，在ConvNeXt中，token mixer简单地通过一个深度卷积实现。我们首先基于ConvNeXt-T进行了初步实验，并在表1中报告了结果。首先，深度卷积的核大小从7×7减少到3×3。与核大小为7×7的模型相比，核大小为3×3的模型训练吞吐量提高了1.4倍，但性能显著下降，从82.1%下降到81.5%。接下来，受ShuffleNet V2启发，我们仅将部分输入通道馈送到深度卷积中，而其余的保持不变。处理的输入通道数由一个比例控制。结果发现，当比例从1减少到1/4时，训练吞吐量可以进一步提高，而性能几乎保持不变。总之，这些初步实验传达了两个关于ConvNeXt的发现。发现1：大核深度卷积是速度瓶颈。发现2：在单个深度卷积层中处理部分通道已足够。

公式

基于上述发现，我们提出了一种新型卷积来保持准确性和效率。根据发现2，我们将部分通道保持不变，并将其视为一个恒等映射分支。受发现1的启发，对于处理的通道，我们提出以Inception风格分解深度操作。Inception 利用了几条小核（例如3×3）和大核（例如5×5）分支。同样，我们采用3×3作为我们的一个分支，但由于其实际速度较慢，放弃了使用大方核。相反，大核k_h × k_w

复杂性

三种类型卷积的复杂性，即传统卷积、深度卷积和Inception深度卷积如表2所示。可以看出，Inception深度卷积在参数数量和FLOPs方面比其他两种卷积更高效。Inception深度卷积消耗的参数和FLOPs与通道和核大小成线性关系。深度卷积和Inception深度卷积在FLOPs方面的比较也清晰地显示在图3中。

3.3. InceptionNeXt

基于InceptionNeXt模块，我们可以构建一系列名为InceptionNeXt的模型。由于ConvNeXt是我们的主要比较基线，我们主要遵循其构建多个尺寸的模型。具体而言，类似于ResNet和ConvNeXt，InceptionNeXt也采用4-stage框架。与ConvNeXt相同，4个阶段的数量分别为[2, 2, 6, 2]（atto尺寸），[3, 3, 9, 3]（小尺寸）和[3, 3, 27, 3]（基尺寸）。我们采用Batch Normalization，因为本文强调速度。与ConvNeXt的另一个区别在于InceptionNeXt在stage 4中使用MLP比例为3，并将节省的参数移至分类器，这有助于减少一些FLOPs（例如，基尺寸减少3%）。详细的模型配置见表。

Experiment

结果

我们将InceptionNeXt与各种最先进的模型进行了比较，包括基于注意力机制和基于卷积的模型。如表4所示，InceptionNeXt在性能上具有高度竞争力，同时具有更高的速度。InceptionNeXt在准确率-速度的权衡方面始终优于ConvNeXt 。例如，InceptionNeXt-T不仅比ConvNeXt-T高出0.2%，而且在A100上的训练/推理吞吐量分别是ConvNeXt的1.6倍/1.2倍，类似于ResNet-50。也就是说，InceptionNeXt-T兼具ResNet-50的速度和ConvNeXt-T的准确率。此外，遵循Swin和ConvNeXt的做法，我们还对在224 × 224分辨率下训练的InceptionNeXt-B进行了微调，调整至384 × 384分辨率并训练30个epoch。我们可以看到，InceptionNeXt-B在保持竞争性准确率的同时，获得了比ConvNeXt-B更高的训练和推理吞吐量。

除了4-stage框架，另一个显著的是ViT风格的等异性架构，其只有一个stage。为了匹配DeiT-S的参数和MACs，我们构建了InceptionNeXt-S（iso.），其设计参考了ConvNeXt-S（iso.。具体来说，我们将嵌入维度设为384，块数设为18。此外，我们还构建了一个名为MetaNeXt-Attn的模型，该模型是通过将MetaNeXt模块中的token mixer指定为自注意力机制而实例化的。此模型的目的是调查是否可以将Transformer块的两个残差子块合并为一个。实验结果如表5所示。可以看出，InceptionNeXt在等异性架构下也表现良好，证明了InceptionNeXt在不同框架下具有良好的泛化能力。值得注意的是，MetaNeXt-Attn无法收敛训练，准确率仅为3.9%。这一结果表明，与MetaFormer中的token mixer不同，MetaNeXt中的token mixer不能过于复杂，否则模型可能无法训练。

在使用UpNet进行分割时，结果如表6所示。可以看到，InceptionNeXt在不同模型尺寸下始终优于Swin [39]和ConvNeXt 。在Semantic FPN方法中，如表7所示，InceptionNeXt显著超越了其他主干网络，如PVT和PoolFormer。这些结果表明，InceptionNeXt在密集预测任务中也具有很高的潜力。