【论文笔记】Slim-neck by GSConv

前言

作者提出了一种新方法GSConv来减轻模型复杂度，保持准确性。GSConv可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式Slim-Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比，改进方法获得了最优秀的检测结果。

论文地址：https://arxiv.org/abs/2206.02424

Github：https://github.com/AlanLi1997/Slim-neck-by-GSConv

---

1. 简介

目标检测是计算机视觉中一项艰巨的下游任务。对于车载边缘计算平台，大模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的准确性。因此本文引入了一种新方法 GSConv 来减轻模型的复杂度并保持准确性。GSConv 可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式，Slim-Neck，以实现检测器更高的计算成本效益。在实验中，与原始网络相比，本文方法获得了最先进的结果（例如，SODA10M 在 Tesla T4 上以 ~100FPS 的速度获得了 70.9% mAP0.5）

MobileNet、ShuffleNets这些轻量级模型都采用了DSC操作来提升检测器的速度。但是当这些模型应用于自动驾驶汽车的时候，准确性就不够了。

但是，DSC 的缺点也很明显：输入图像的通道信息在计算过程中是分离的。

对于自动驾驶，速度和准确性同样重要。通过 GSConv 引入了 Slim-Neck 方法，以减轻模型的复杂度同时可以保持精度。GSConv 更好地平衡了模型的准确性和速度。

如上图所示，作者在SODA10M无人驾驶数据集上比较了最先进了Slim Neck 检测器和原始检测器的速度和准确度，并证实了该方法的有效性。

2. GSConv

通过上图可以知道，GSConv首先输入进行一个普通卷积的下采样，然后使用DWConv深度卷积，并将两个conv的结果拼接起来（一个SC一个DSC）；最后进行shuffle操作 ，让之前两个卷积的对应通道数挨在一起，通过上方图片也可以看出来。（表述的可能不太清楚，看图片我觉得要清晰一点哈哈哈）

搭配代码食用或许能更好理解一点：

class GSConv(nn.Module):
    def __init__(self, c1, c2, k=1, s=1, g=1, act=True):
        super().__init__()
        c_ = c2 // 2
        self.cv1 = Conv(c1, c_, k, s, None, g, act)	# g:gract：分组卷积
        self.cv2 = Conv(c_, c_, 5,