华为提出DyNet：动态卷积

点击上方“视学算法”，选择加"星标"或“置顶”

重磅干货，第一时间送达

编辑公众号：Cver

本文作者：张凯

https://zhuanlan.zhihu.com/p/139933466

本文已由原作者授权，不得擅自二次转载

背景

《DyNet: Dynamic Convolution for Accelerating Convolutional Neural Networks》是华为挂出的论文，其核心思想和谷歌的CondConv类似，产生kernel的方式有细微的不同，同时也取得了很高的性能涨点。

论文地址：http://de.arxiv.org/abs/2004.10694

一、 研究动机：

该论文利用了动态卷积来做神经网络的加速。该文章对activation进行了协方差的分析和可视化，从而提出了Coefficient prediction模块和Dynamic generation模块来产生动态卷积。相比于标准卷积，相同的通道数下，动态卷积的性能有明显的提升。

二、研究方法

整体思路如图所示：

其核心思想和谷歌提出的条件卷积类似，通过activation生成一组权重，然后对fixed 权重进行加权求和生成动态卷积的权重。和CondConv主要区别在于该论文生成的权重参数更多，对于谷歌而言，一组卷积核的权重是共享的，而该论文是不共享的。

具体来看：

首先作者对现有网络的输出进行了协方差的统计和可视化：

其中S代表相关性最强，M、W、N依次减少。

可以看到，VGG的网络输出有较强的相关性。MobileNetv2的相关性相对较小，对于裁剪算法也较难进行裁剪。

协方差预测模块：

主要是生成卷积核采用一个全局pooling，然后采用全连接生成对应的权重。注意此处c的维度应该是 的。而在谷歌Condconv此处对应的应该是gt。

动态卷积核生成模块：

如前图所示，是各个group中的加权求和。

训练算法：

在训练过程中，由于每张图的卷积核都是不一致的，所以在一个batch里并行计算是困难的（在旷视DRConv中，是用过将batch方向的并行计算堆叠到c方向通过group卷积实现），该论文通过等效在特征图上进行等效加权，这样就类似于通道上的注意力机制：（

作者给出了mobileNet、shuffleNet、resnet18、resnet50上的增加动态卷积的方式：

三、实验结果：

可以看到，在相近的计算量下，Dy-MobileNetv3-small的性能更高；在性能接近的情况下，Dy-ResNet50的计算量减少了三分之二。

从可视化的角度看：

从可视化上看，MobileNetv2的activation的协方差来的更小。

四、总结分析：

该论文从轻量设计的角度提出了DyNet，能够有效地降低模型的计算量。思路上和CondConv较为接近，在实现上类似于通道注意力机制，另一方面该论文的训练采用了cosine学习率、label smooth等技巧。

请给CVer一个在看！