VoVNet：实时目标检测的新backbone网络

最新推荐文章于 2024-04-03 16:27:35 发布

我是小将

最新推荐文章于 2024-04-03 16:27:35 发布

阅读量1.5w

点赞数 11

分类专栏：计算机视觉卷积神经网络 DeepLearning 文章标签：深度学习神经网络 pytorch

本文链接：https://blog.csdn.net/xiaohu2022/article/details/105318534

版权

DeepLearning 同时被 3 个专栏收录

21 篇文章 5 订阅

订阅专栏

计算机视觉

14 篇文章 3 订阅

订阅专栏

卷积神经网络

9 篇文章 0 订阅

订阅专栏

文章目录

目前基于深度学习的目标检测模型无不依赖CNN分类网络来作为特征提取器，如SSD采用VGG，YOLO采用DarkNet，Faster R-CNN采用ResNet，我们一般称这些网络为目标检测模型的backbone。ResNet是目标检测模型最常用的backbone，DenseNet其实比ResNet提取特征能力更强，而且其参数更少，计算量（FLOPs）也更少，用于目标检测虽然效果好，但是速度较慢，这主要是因为DenseNet中密集连接所导致的高内存访问成本和能耗。VoVNet就是为了解决DenseNet这一问题，基于VoVNet的目标检测模型性能超越基于DenseNet的模型，速度也更快，相比ResNet也是性能更好。

高效网络设计要素

在设计轻量级网络时，FLOPs和模型参数是主要考虑因素，但是减少模型大小和FLOPs不等同于减少推理时间和降低能耗。比如ShuffleNetv2与MobileNetv2在相同的FLOPs下，前者在GPU上速度更快。所以除了FLOPs和模型大小外，还需要考虑其他因素对能耗和模型推理速度的影响。这里考虑两个重要的因素：内存访问成本（Memory Access Cost，MAC）和GPU计算效率。
（1）内存访问成本
对于CNN网路来说，内存访问比计算对能耗贡献还大，如果网络中间特征比较大，甚至在同等模型大小下内存访问成本会增加，所以要充分考虑CNN层的MAC。在ShuffleNetV2论文中给出计算卷积层MAC的方法：
$MAC = hw(c_i + c_o) + k^2c_ic_o$
这里的 $k, h, w, c_i,c_o$ 分别为卷积核大小，特征高和框，以及输入和输出的通道数。卷积层的计算量 $B=k^2hwc_ic_o$ ，如果固定 $B$ 的话，那么有：
$\geq 2\sqrt{\frac{hwB}{k^2}} + \frac{B}{hw}$
根据均值不等式，可以知道当输入和输出的channel数相同时MAC才取下界，此时的设计是最高效的。

（2）GPU计算效率

GPU计算的优势在于并行计算机制，这意味着当要计算的tensor较大时会充分发挥GPU的计算能力。如果将一个较大的卷积层拆分成几个小的卷积层，尽管效果是相同的，但是却是GPU计算低效的。所以如果功效一样，尽量采用较少的层。比如MobileNet中采用深度可分离卷积（depthwise conv+1x1 conv）虽然降低了FLOPs，但是因为额外的1x1卷积而不利于GPU运算效率。相比FLOPs，我们更应该关注的指标是FlOPs per Second，即用总的FLOPs除以总的GPU推理时间，这个指标越高说明GPU利用越高效。

OSA（One-Shot Aggregation）模块

对于DenseNet来说，其核心模块就是Dense Block，如下图1a所示，这种密集连接会聚合前面所有的layer，这导致每个layer的输入channel数线性增长。受限于FLOPs和模型参数，每层layer的输出channel数是固定大小，这带来的问题就是输入和输出channel数不一致，如前面所述，此时的MAC不是最优的。另外，由于输入channel数较大，DenseNet采用了1x1卷积层先压缩特征，这个额外层的引入对GPU高效计算不利。所以，虽然DenseNet的FLOPs和模型参数都不大，但是推理却并不高效，当输入较大时往往需要更多的显存和推理时间。

在这里插入图片描述
图1 DenseNet与VoVnet模块对比

DenseNet的一大问题就是密集连接太重了，而且每个layer都会聚合前面层的特征，其实造成的是特征冗余，而且从模型weights的L1范数会发现中间层对最后的分类层贡献较少，这不难理解，因为后面的特征其实已经学习到了这些中间层的核心信息。这种信息冗余反而是可以优化的方向，据此这里提出了OSA（One-Shot Aggregation）模块，如图1b所示，简单来说，就是只在最后一次性聚合前面所有的layer。这一改动将会解决DenseNet前面所述的问题，因为每个layer的输入channel数是固定的，这里可以让输出channel数和输入一致而取得最小的MAC，而且也不再需要1x1卷积层来压缩特征，所以OSA模块是GPU计算高效的。那么OSA模块效果如何，论文中拿DenseNet-40来做对比，Dense Block层数是12，OSA模块也设计为12层，但是保持和Dense Block类似的参数大小和计算量，此时OSA模块的输出将更大。最终发现在CIFAR-10数据集上acc仅比DenseNet下降了1.2%。但是如果将OSA模块的层数降至5，而提升layer的通道数为43，会发现与DenseNet-40模型效果相当。这说明DenseNet中很多中间特征可能是冗余的。尽管OSA模块性能没有提升，但是MAC低且计算更高效，这对于目标检测非常重要，因为检测模型一般的输入都是较大的。

VoVNet

VoVNet由OSA模块构成，主要有三种不同的配置，如下表所示。VoVNet首先是一个由3个3x3卷积层构成的stem block，然后4个阶段的OSA模块，每个stage的最后会采用一个stride为2的3x3 max pooling层进行降采样，模型最终的output stride是32。与其他网络类似，每次降采样后都会提升特征的channel数。VoVNet-27-slim是一个轻量级模型，而VoVNet-39/57在stage4和stage5包含更多的OSA模块，所以模型更大。

在这里插入图片描述
表1 VoVNet架构

VoVNet在检测模型上的效果

VoVNet可以作为检测模型的backbone，论文中共对比了3个检测模型：DSOD，RefineDet和Mask R-CNN。前两个是one stage检测模型，而Mask R-CNN是two stage实例分割模型（三个模型都是train from scratch，而不是用了ImageNet预训练模型）。首先是DSOD，这个模型原先的backbone是DenseNet，现在替换为VoVNet，VOC数据集上对比效果如下表所示：

在这里插入图片描述
表2 DSOD检测模型效果对比

可以看到相比DenseNet，基于VoVNet的检测模型推理速度提升了一倍，而且效果更好，这说明VoVNet比DenseNet更高效。

另外是Mask R-CNN的结果如下表所示，可以看到VoVNet比ResNet效果更好，且推理时间稍低一些。这说明VoVNet充分继承了DenseNet的优势，但是计算更高效。

在这里插入图片描述
表3 Mask R-CNN模型效果对比

VoVNetV2

VoVNet只是继承了DenseNet的优点，但是可以走的更远，这就是CenerMask这篇论文所提出的改进版本VoVNetV2。简单来说，VoVNetV2引入了ResNet的残差连接和SENet的SE模块：

在这里插入图片描述
图2 VoVNetV2中的改进OSA模块

从图2b可以看到，改进的OSA模块直接将输入加到输出上，增加短路连接，使得VoVNet可以训练更深的网络，论文中是VoVNet-99。从图2c可以看到，改进的另外一个点是在最后的特征层上加上了sSE模块来进一步增强特征，原始的SE模块包含两个FC层，其中中间的FC层主要是为降维，这在一定程度上会造成信息丢失。而sSE模块是去掉了这个中间FC层。VoVNetV2相比VoVNet增加了少许的计算量，但是模型性能有提升：

在这里插入图片描述
表4 CenterMask模型效果对比

VoVNetV2的PyTorch实现

论文作者开源了VoVNet的实现代码，是基于PyTorch的，OSA模块的实现如下：

class _OSA_module(nn.Module):
    def __init__(
        self, in_ch, stage_ch, concat_ch, layer_per_block, module_name, SE=False, identity=False, depthwise=False
    ):

        super(_OSA_module, self).__init__()

        self.identity = identity
        self.depthwise = depthwise
        self.isReduced = False
        self.layers = nn.ModuleList()
        in_channel = in_ch
        if self.depthwise and in_channel != stage_ch:
            self.isReduced = True
            self.conv_reduction = nn.Sequential(
                OrderedDict(conv1x1(in_channel, stage_ch, 
                  "{}_reduction".format(module_name), "0")))            
        for i in range(layer_per_block):
            if self.depthwise:
                self.layers.append(
                    nn.Sequential(OrderedDict(dw_conv3x3(stage_ch, stage_ch, module_name, i))))
            else:
                self.layers.append(
                    nn.Sequential(OrderedDict(conv3x3(in_channel, stage_ch, module_name, i)))
                )
            in_channel = stage_ch

        # feature aggregation
        in_channel = in_ch + layer_per_block * stage_ch
        self.concat = nn.Sequential(
            OrderedDict(conv1x1(in_channel, concat_ch, module_name, "concat"))
        )

        self.ese = eSEModule(concat_ch)

    def forward(self, x):

        identity_feat = x

        output = []
        output.append(x)
        if self.depthwise and self.isReduced:
            x = self.conv_reduction(x)
        for layer in self.layers:
            x = layer(x)
            output.append(x)

        x = torch.cat(output, dim=1)
        xt = self.concat(x)

        xt = self.ese(xt)

        if self.identity:
            xt = xt + identity_feat

        return xt

这里的OSA模块包含了sSE模块以及残差模块，另外支持depthwise卷积，OSA模块是VoVNet的核心，最终的VoVNet的实现可以见vovnet-detectron2

参考

我是小将

关注

11
点赞
踩
80

收藏

觉得还不错? 一键收藏
6
评论
VoVNet：实时目标检测的新backbone网络

文章目录高效网络设计要素OSA（One-Shot Aggregation）模块VoVNetVoVNet在检测模型上的效果VoVNetV2VoVNetV2的PyTorch实现参考目前基于深度学习的目标检测模型无不依赖CNN分类网络来作为特征提取器，如SSD采用VGG，YOLO采用DarkNet，Faster R-CNN采用ResNet，我们一般称这些网络为目标检测模型的backbone。ResNe...
复制链接

扫一扫