【1】图像分割 - Backbone整理汇总

骨干网络(backbone) 检测头Backbone与Detection head 

分类网络迁移过来，用作特征提取器（通过在OD数据集上进行微调，并且与后续的网络的共同训练，使得它提取出来的特征更适合OD任务），后续的网络负责从这些特征中，检测目标的位置和类别。那么，我们就将分类网络所在的环节称之为“Backbone”，后续连接的网络层称之为“Detection head”。

骨干网络(backbone)

在现代深度学习算法研究中，通用的骨干网+特定任务网络head成为一种标准的设计模式。

 CNN Backbone往往是各种CNN模型的一个共享结构。

 《目标检测》-第2章-Backbone与Detection head - 知乎

关于卷积神经网络(CNN)骨干结构的思考

概念

什么是机器学习、模式识别？

• 机器学习、模式识别、深度学习等等模型的目的，是压缩。对数据的背诵这不是压缩，对特征的提取才是压缩。

传统手工计算机视觉任务和卷积神经网络(CNN)共享哪些特性？

• 它们都抓住了、而且必须抓住平移、镜像、一定程度上的缩放不变性，只要满足不变性，相似的特征表征能力一定强。CNN的新工作还有旋转不变性、仿射变换不变性和时间轴上的灰度不变性。设计思路不包含这些不变性的，一般都是逗比。

一般的CNN模型，（比如在ImageNet上训练的模型）压缩效果如何？

• 在ImageNet上训练的不少模型，把2 ^ (224 * 224 * 3 * 8bit)的数据空间中的数据特征用少到几十万，大到几亿的参数表征出来，起到了局部或者全局特征的提取，从而用特征进行各种任务。重要的是很多任务可以通过1次定义结构端到端完成。

用于计算机视觉分类的CNN为何重要？

• 它是Object Detection, Scene Parsing, OCR等任务的前导性任务，往往也被称为Backbone Model。而且在上面快速实验很多元方法，比如dropout，attention，套用GAN等等是直接、方便的。

CNN存在什么问题？

• 要求概率图可微分这个假设很强，在CNN里体现为参数连续，而很多超参离散，使用同样的NN技巧自动连续超参还凑合，离散会碰到各种问题。

重要结构梳理

知道为什么，远比知道是什么重要。论文是读不过来的。但是读论文可以通过多读好文、浏览水文、搭配烂文提高品位。

我们应该关心结构的哪方面

CNN Backbone往往是各种CNN模型的一个共享结构

• 概念中提到，它是Object Detection, Scene Parsing, OCR等任务的前导性任务。

  • AlexNet: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
  • VGG: https://arxiv.org/pdf/1409.1556.pdf
  • Residual Network: https://arxiv.org/pdf/1512.03385.pdf
  • Wide ResNet: https://arxiv.org/pdf/1605.07146.pdf
  • FractalNet: https://arxiv.org/pdf/1605.07648.pdf
  • ResNeXt: https://arxiv.org/pdf/1611.05431.pdf
  • GoogleNet: https://arxiv.org/pdf/1409.4842.pdf
  • Inception: https://arxiv.org/pdf/1602.07261.pdf
  • DenseNet: https://arxiv.org/pdf/1608.06993.pdf
  • SORT: https://arxiv.org/pdf/1703.06993.pdf
  • Compact Bilinear: https://arxiv.org/pdf/1511.06062.pdf

• 这个共享结构除了结构性的超参（总深度、总宽度）以外，反复使用了多种技巧，其中包括

  • Residual(残差): 直接elementwise加法。
  • Concat(特征拼接): 直接对特征深度作拼接。
  • Bottleneck(特征压缩): 通过Conv(1,1)对稀疏的或者臃肿的特征进行压缩
  • Grouping(分组): fc-softmax分类器从1个观察点把不同类靠空间球心角分离开，不同类放射状散开不符合高斯假设。分组改善了这一点。
  • Fractal(分形模式): 结构复用，可能带来好处
  • High-Order(高阶): 在非分组时，可能带来好处
  • Asymmetric(非对称): Conv(1,3),Conv(1,5),Conv(1,7)属于非对称结构，这个技巧在OCR处理长宽非1:1的字体有用

• 再次的，我们对结构有一个重新的审视

  • AlexNet/VGG: 普通
  • VGG: 加深
  • ResNet: 通过x+F(x)直接加法实现了Residual模块
  • Wide ResNet: 加宽
  • FractalNet: 结构复用，使用Concat
  • ResNeXt: ResNet基础上对Conv(3,3)使用了分组，但是如果Conv(1,1)也分组甚至精度不降
  • GoogleNet/Inception: 大量的非对称技巧
  • DenseNet: 大量使用压缩
  • SORT: 一个小trick使用elementwise x*F(x)实现高阶
  • Compact Bilinear: 通过学习矩阵A实现x’Ay实现制造新的特征

CNN Backbone以外的专用结构

• 为Object Detection设计的结构更主要关心多尺度框选准确与否，因此有RPN、SPPNet、上下采样等设计思想。
• 为Scene Parsing设计的结构更主要关心单位像素点分类正确与否，因此有FCN、上下采样等设计思想。

本文不作介绍。

结构上的元方法

• 作为模型压缩的替代方案，XNOR，二值化（Binarization），量子化（Quantization，使用数个比特替代原模型）

本文不作介绍。

如何优化CNN Backbone

我们在DataParallel的语境下面讨论这个问题。也就是说，每张显卡都保存一份参数全集，一份数据+数据形成FeatureMap的子集。

我们知道，就像组装深度学习服务器一样，你的预算一定的条件下，如何搭配一台服务器才能让CPU对数据预处理够用、内存加载数据够用、硬盘I/O够用，以及最重要的是，选择一块好的GPU卡。资源不是无限的。这其实是一个线性规划问题。在这里不赘述。

进行CNN Backbone优化同样有这个问题：

你的显存利用率和GPU算力利用率如何达到最高？

• 降低Batch-size会减小Feature Map占用缓存，但收敛情况怎么样，可能饮鸩止渴。
• 加宽直接影响参数数量。
• 加深不仅影响参数数量还影响Feature Map大小。
• 分组极大节省参数，甚至还能提高效果。
• 结构复用、压缩节省参数，增加计算量。
• 特征拼接、高阶操作降低并行效率，尤其不是inplace的那种。在动态图框架尤为如此。
• Bilinear大量使用额外参数。
• 非对称带来额外的代码工作。
• 任何新颖结构的引入带来非连续超参，让模型BP，让超参优化无B可P。

如何提高CNN Backbone设计品位？

• 美就是简单
• 美就是复用
• 美就是对称
• 美就是分形

Inception-ResNet.v2干不过ResNeXt，我一点都不意外。

Mask-RCNN标配ResNeXt101 Backbone，我一点都不意外。