[机器视觉][轻量化网络]GhostFormer: Efficiently amalgamated CNNtransformer architecture for object detection

目的与成果:

         本文旨在提出一个轻量化的模型，在减少模型参数量的同时，保持一定的精度,  实验表明，该模型在Pascal VOC数据集上的计算成本不到YOLOv7的一半，仅损失约3% mAP@0.5，在MS COCO数据集上的损失为9.7% mAP@0.5，与GhostNet相比提高了0.95。

本文的主要思想:

        结合卷积层能有效提取局部特征，transformer可以感知全局特征二者的特性，将他们连接在一个网络中，并分别对两个部件进行轻量化处理，分别提出了LCB(轻量化卷积块),LTB(轻量化transformer块)。

模型架构:

        模型首先对输入的图片进行一次浅层卷积提取特征，后续深层网络则交替使用LCB和LTB模块。在这里，LCB用于进一步提取局部特征，而LTB通过自注意力机制来捕捉长距离的全局特征。这样，深层网络能够结合局部和全局特征，为目标检测提供更丰富的信息.  

轻量级卷积块（LCB）

公式：深度卷积的计算复杂度为： O(H×W×Din×k2)O( H \times W \times D_{in} \times k^2 )O(H×W×Din​×k2) 这里计算复杂度显著降低，因为没有 DoutD_{out}Dout​ 和 DinD_{in}Din​ 之间的交互。

   点卷积（Pointwise Convolution）

点卷积，又称为1x1卷积，是对每个像素点进行跨通道的线性组合，目的是将不同通道的信息融合在一起。它的卷积核大小为 1×11 \times 11×1，这意味着每次卷积只影响一个像素的位置，但会跨多个通道。

点卷积的特点：

公式：点卷积的计算复杂度为： O(H×W×Din×Dout)O( H \times W \times D_{in} \times D_{out} )O(H×W×Din​×Dout​) 虽然它涉及跨通道的计算，但由于卷积核的大小是 1×11 \times 11×1，计算量仍然较小。

• LCB基于GhostNet的思想，将输入特征图分为两部分，一部分使用深度卷积（Depth-Wise Convolution, DW），另一部分使用点卷积（Point-Wise Convolution, PW）。
• 深度卷积（Depthwise Convolution）
• 深度卷积是一种简化的卷积操作，它只对每个输入通道单独进行卷积，而不跨通道卷积。因此，它极大地减少了计算量。这种卷积操作的主要作用是提取每个通道内部的特征，而不会融合来自其他通道的信息。

• 深度卷积的特点：

• 每个通道单独进行卷积：输入的每个通道与单个卷积核进行卷积，生成同样数量的输出通道。
• 没有跨通道信息融合：深度卷积并不融合来自其他通道的信息，这与标准卷积的计算方式不同。
• 跨通道卷积：点卷积的主要作用是将每个像素点的多通道特征进行组合，从而实现不同通道之间的特征融合。
• 1x1卷积核：卷积核大小为 1×11 \times 11×1，因此它不会影响空间分辨率，只会影响通道维度。
• 通过这种设计，LCB能够高效生成特征图，减少计算开销。并对LCB生成的图片采取了路径融合处理，GhostFormer中的特征融合网络从特征提取网络的最后三个阶段提取特征图，然后进行融合。论文提到，GhostFormer的双路径融合方法结合了自上而下（top-down）和自下而上（bottom-up）的融合策略，这些特征图经过多尺度处理，能够保留低层特征中的局部细节，同时结合高层特征中的全局语义信息。
• 自上而下（Top-Down）：将高层次的特征图上采样，将较小的特征图恢复到更高的分辨率，以便与低层次特征图进行融合。
• 自下而上（Bottom-Up）：通过对低层次特征图进行下采样（通常通过池化操作），将高分辨率的细节信息逐渐简化，并向高层次特征图进行传递，生成具有全局语义信息的特征。

 轻量级Transformer块（LTB）

• LTB通过自注意力机制（Self-Attention Mechanism）来处理全局特征。在LTB中，引入了池化层（Pooling Layer），通过对注意力机制中的键（key）和值（value）进行下采样，减少了计算复杂度。此外，LTB还使用了**深度可分离卷积（Depth-Wise Separable Convolution）**来进一步优化计算。
• 1,引入池化层（Pooling Layer）降低计算复杂度：
• 为了降低自注意力机制的计算复杂度，LTB设计引入了池化层。通过对自注意力机制中的键（key）和值（value）进行下采样，LTB有效减少了注意力计算的复杂度。这样，即使在高分辨率的特征图上，自注意力计算的复杂度也能够得到控制。

• 2. 深度可分离卷积（Depthwise Separable Convolution）与Transformer结合：

• LTB中使用了深度可分离卷积，该卷积操作将标准卷积分为深度卷积和点卷积两部分，极大地减少了计算量。这种卷积操作与自注意力机制结合，可以在局部特征提取的同时，保留全局信息。
• 这种设计被称为卷积-Transformer单元（Convolution-Transformer Unit, CTU），其公式表达如下： CTU(X)=DW(Ω(γ⋅PW(X)))⊕(PW(X)−Ω(γ⋅PW(X)))CTU(X) = DW(\Omega(\gamma \cdot PW(X))) \oplus (PW(X) - \Omega(\gamma \cdot PW(X)))CTU(X)=DW(Ω(γ⋅PW(X)))⊕(PW(X)−Ω(γ⋅PW(X))) 其中，XXX是输入特征图，DWDWDW表示深度卷积，PWPWPW表示点卷积，Ω\OmegaΩ表示特征图分配函数，γ\gammaγ是分布因子。

  conclusion

        纵观论文，其融合了很多前人的优化方法以提升了CNN-transformer联合网络的性能，比如其中点卷积与深度卷积的概念，从mobilenet便已提出，LTB的卷积优化方法亦是可以往前追溯多年。本文可谓裁缝圣手，但是想缝好一篇论文，绝非易事，还是需要扎实的科研基础，一篇论文要将各种方法融合的好，缝出新意，缝出高度，便是一篇优秀论文，便是一篇sci。