轻量级网络GhostNet--对卷积的新设计解决特征图冗余的问题

论文地址：华为诺亚方舟实验室 2020 CVPR

《GhostNet: More Features from Cheap Operations》

该论文提供了一个全新的Ghost模块，旨在通过廉价操作生成更多的特征图。基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的“Ghost”特征图（Ghost feature maps）。该Ghost模块即插即用，通过堆叠Ghost模块得出Ghost bottleneck，进而搭建轻量级神经网络——GhostNet。

亮点

为了减少网络计算量，作者将传统的卷积分成两步进行，首先通过传统的卷积生成channel较小的特征图以较少的计算量，然后在得到的特征图的基础上，通过cheap operation(depthwise conv，廉价操作)再进一步减少计算量，生成新的特征图，最后将两组特征图拼接到一起，得到最终的output。

卷积操作是卷积-批归一化BN-非线性激活全套组合，而所谓的线性变换或者廉价操作（cheap operation）均指普通卷积，不含批归一化和非线性激活。

观点提要

在效果较好的CNN模型中，特征图存在冗余是非常重要的，但是很少有人在模型结构设计上考虑特征图冗余问题；

从特征图冗余问题出发，提出一个仅通过少量计算（cheap operations）就能生成大量特征图的结构——Ghost Module；

Ghost Module通过一系列线性操作（a series of linear transformations）生成特征图，其中经过线性操作生成的特征图称为ghost feature maps，而被操作的特征图称为intrinsic feature maps；

Ghost Module的优点：

即插即用：Ghost Module是一个即插即用模块，可以无缝衔接现有的CNN中；

使用Ghost Module组成的Ghost bottlenecks，设计出GhostNet，在ILSVRC-2012上top-1超过Mobilenet-V3，并且参数更少。

特征图冗余

本文作者在观察ResNet50第一个残差块输出的特征图时，发现有许多输出特征很相似，图一中的红、绿、蓝框的特征图，作者认为很相似，基本只要进行简单的线性变换就能得到，而不需要进行复杂的非线性变换得到；作者该对其中的一个特征图可以通过廉价操作（图中用扳手表示）将另一特征图变换而获得，可以认为其中一个特征图是另一个的“Ghost”。因为，本文提出并非所有特征图都要用卷积操作来得到，“Ghost”特征图可以用更廉价的操作来生成。

Ghost Module

常规卷积：

常规卷积：卷积-批归一化BN-非线性激活，理论计算量=k*k*c*n*w'*h'；

 Ghost Module：

深度卷积神经网络通常引用由大量卷积组成的卷积神经网络，导致大量的计算成本。尽管最近的工作，例如MobileNet和ShuffleNet引入了深度卷积或混洗操作，以使用较小的卷积核（浮点运算）来构建有效的CNN，其余1*1卷积层仍将占用大量内存和FLOPs。

由于主流CNN计算出的中间特征图中存在大量的冗余，作者提出减少所需的资源，即用于生成它们的卷积核。

步骤

• 首先用常规卷积得到本征特征图（intrinsic feature maps）Y'，这部分的运算量约等于（忽略偏置项）；

• 然后将Y'每一个通道的特征图  ，用操作来产生Ghost特征图；

• 最后将第一步得到的本征特征图和第二步得到的Ghost特征图拼接（identity连接）得到最终结果OutPut。

Ghost Module分为两步操作来获得与普通卷积一样数量的特征图：

Step1：少量卷积（比如正常用128个卷积核，这里就用64个，从而减少一半的计算量）；

Step2：cheap operations，用图中的Φ表示，Φ是诸如3*3、5*5的卷积，并且是逐个特征图的进行卷积（Depth-wise convolutional，深度卷积）。 

例子

假设输入特征图的shape为[28,28,6]，首先对输入特征图使用1*1卷积下降通道数，shape变为[28,28,3]；再使用3*3深度卷积对每个通道特征图提取特征，shape为[28,28,3]，可以看作是经过前一层的一系列线性变换得到的；最后将两次卷积的输出特征图在通道维度上堆叠，shape 变为 [28,28,6]；

计算量

假设输入数据tensor是c*h*w，分别为输入channel、特征图高和宽，经过一次卷积后输出数据的张量为n*h'*w'，分别为输出channel、输出特征图的高和宽，常规卷积核大小为k，线性变换卷积核大小为d，经过s次变换，那么普通的卷积操作（bn和relu不纳入计算量对比这里）的计算量与Ghost 模块的计算量对比为：

n/s是第一次变换时的输出通道数目，s-1是因为恒等映射不需要进行计算，但它也算做第二变换中的一部分，因此Ghost 模块之所以能省计算量。

参数量

计算卷积核的参数量：

Ghost Bottlenecks

利用Ghost模块的优势，作者介绍了专门为小型CNN设计的Ghost bottleneck（G-bneck）。

如图所示，Ghost bottleneck似乎类似于ResNet中的基本残差块（Basic Residual Block），其中集成了多个卷积层和shortcut。

Ghost bottleneck主要由两个堆叠的Ghost模块组成：

第一个Ghost模块用作扩展层，增加了通道数，这里将输出通道数与输入通道数之比称为expansion ratio；

第二个Ghost模块减少通道数，以与shortcut路径匹配,然后，使用shortcut连接这两个Ghost模块的输入和输出。

这里借鉴了MobileNetV2，第二个Ghost模块之后不使用ReLU，因为深度卷积后再加ReLU效果会变差，可能是深度卷积输出太浅了, 应用 ReLU会带来信息丢失，其他层在每层之后都应用了批量归一化（BN）和ReLU非线性激活。

上述Ghost bottleneck适用于stride= 1，

对于stride = 2的情况，shortcut路径由下采样层和stride = 2的深度卷积（Depthwise Convolution）来实现。

出于效率考虑，Ghost模块中的初始卷积是逐点卷积（Pointwise Convolution）。

GhostNet 

基于Ghost bottleneck，作者提出GhostNet，如下表所示：

作者遵循MobileNetV3的基本体系结构的优势，然后使用Ghost bottleneck替换MobileNetV3中的bottleneck；

GhostNet主要由一堆Ghost bottleneck组成，其中Ghost bottleneck以Ghost模块为构建基础；

第一层是具有16个卷积核的标准卷积层，然后是一系列Ghost bottleneck，通道逐渐增加。这些Ghost bottleneck根据其输入特征图的大小分为不同的阶段；

除了每个阶段的最后一个Ghost bottleneck是stride = 2，其他所有Ghost bottleneck都以stride = 1进行应用；

最后，利用全局平均池和卷积层将特征图转换为1280维特征向量以进行最终分类。SE模块也用在了某些Ghost bottleneck中的残留层；

与MobileNetV3相比，这里用ReLU换掉了Hard-swish激活函数。尽管进一步的超参数调整或基于自动架构搜索的Ghost模块将进一步提高性能，但下表所提供的架构提供了一个基本设计参考。

实验结果提炼

Ghost模块消融实验：当s=2、d=3的时候，Ghost模块的性能优于更小或更大的Ghost模块。这是因为大小为1的内核无法在特征图上引入空间信息，而较大的内核（例如d=5或d=7）会导致过拟合和更多计算。

特征图可视化：生成的特征足够灵活，可以满足特定任务的需求。

 ImageNet分类数据集：通常较大的FLOPs会在这些小型网络中带来更高的准确性，这表明了它们的有效性。而GhostNet在各种计算复杂度级别上始终优于其他竞争对手，主要是因为GhostNet在利用计算资源生成特征图方面效率更高。

硬件推理速度：作者的模型总体上胜过其他最新模型，例如谷歌MobileNet系列，ProxylessNAS，FBNet和MnasNet。

COCO目标检测数据集：GhostNet可以在单阶段的RetinaNet和两阶段的Faster R-CNN框架上达到和MobileNetV2和MobileNetV3类似的mAP。

实现

tensorflow代码实现

pytorch代码实现 

参考

 华为-2020-CVPR-最新轻量级网络-GhostNet分析

CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源 

 

仅为学习记录，侵删！