共计 3391 个字符，预计需要花费 9 分钟才能阅读完成。
论文深入分析了 inverted residual block 的设计理念和毛病，提出更适宜轻量级网络的 sandglass block，基于该构造搭建的 MobileNext。依据论文的试验后果，MobileNext 在参数量、计算量和准确率上都有更优的体现，惟一遗憾的是论文没有列出在设施上的理论用时，如果补充一下更好了
起源：晓飞的算法工程笔记 公众号
论文: Rethinking Bottleneck Structure for Efficient Mobile Network.pdf
- 论文地址：https://arxiv.org/abs/2007.02269
- 论文代码：https://github.com/zhoudaquan/rethinking_bottleneck_design
Introduction
在介绍 MobileNext 前，先回顾一下 bottleneck 构造：
- Residual block with bottleneck structure，蕴含两个 $1\times 1$ 卷积层用于维度的升高和扩充，以及两头的 $3\times 3$ 卷积用于提取特色，如图 2a。这个构造不适用于轻量级网络，因为两头的 $3\times 3$ 卷积的参数量和计算量都十分大。
- Depthwise separable convolutions，为了解决规范卷积带来的参数量和计算量问题，将其合成为 depthwise 卷积和 pointwise 卷积，前者用于提取单维度的特色，后者用于线性组合多维度特色，大幅升高了计算量和参数量。
- Inverted residual block，专为挪动设备设计，为了节俭计算量，输出改为低维度特色，先通过 pointwise 卷积扩充维度，而后通过 depthwise 卷积提取特色，最初通过 pointwise 卷积升高维度输入，如图 2b。这里有两点不影响准确率的性能改良：1）skip path 仅建设在低维度 bottleneck 间。2）最初一个 pointwise 卷积不须要非线性激活。
只管 Inverted residual block 性能不错，但两头须要将特色先降到较低的维度，会导致以下几个问题：
- 升高维度可能不足以保留足够的有用信息。
- 近期有钻研发现更宽的网络结构有助于缓解梯度混同（不同 batch 产生的梯度对消），可能晋升网络性能。
- shortcut 建设在 bottleneck 之间，因为 bottleneck 维度较少，也可能会妨碍梯度的回传。
为了解决上述问题，论文提出了设计更优的 sandglass block，构造如图 3c，基于此搭建了 MobileNeXt，在性能和计算量上都优于 MobileNetV2。
论文的次要奉献如下：
- 从新思考挪动网络的 bottleneck 构造，发现 inverted residual 并不是最优的 bottleneck 构造。
- 钻研发现，shortcut 应该建设在高维度特色上，depthwise 卷积应该利用在高维度特色空间上学习更多样特色，linear residual 是 bottleneck 构造的要害。
- 基于上述发现提出 sandglass block，更适宜挪动网络的搭建。
Method
Sandglass Block
Sandglass Block 的设计外围次要基于以下两个想法，也是与其余轻量级构造的次要区别：
- 为了更好地保留信息的传递和梯度的回传，shortcut 该当建设在高维度特色之间。
- 卷积核较小的 depthwise 卷积是轻量的，可用于对高维度特色进行进一步的特征提取。
-
Rethinking the positions of expansion and reduction layers
inverted residual block 先进行维度扩大，最初再进行缩减，依据设计外围将两个 pointwise 卷积的程序调换。定义 sandglass block 的输出和输入为 $F\in \mathbb{R}^{D_f\times D_f\times M}$ 和 $G\in \mathbb{R}^{D_f\times D_f\times M}$，则维度变动可示意为：
$\phi_e$ 和 $\phi_r$ 为用于维度扩大和缩减的 pointwise 卷积。这样的设计将 bottleneck 放弃在 residual path 两头可能缩小参数量和计算量，最重要的是，能将 shortcut 建设在维度较大的特色上。
-
High-dimensional shortcuts
shortcut 不再连贯低维度的 bottleneck，而是连贯维度较高的 $F$ 和 $G$。可能更好地传递信息和回传梯度。
-
Learning expressive spatial features
pointwise 卷积只能捕获通道间特色，不足空间特色的捕获能力。能够像 inverted residual block 那样两头应用 depthwise 卷积来显示地提取空间特色，如图 3a 所示。但因为 sandglass block 两头是 bottleneck，两头增加的 depthwise 卷积的卷积核数量很少，只能捕获大量空间信息。通过试验也发现，这样设计的准确率会比 MobileNetV2 降落 1%。
因而，sandglass block 将 depthwise 卷积置于 residual path 的结尾和结尾，如图 3b 所示，可示意为：
$\phi_{i,p}$ 和 $\phi_{i,d}$ 代表 $i$ 个 pointwise 卷积和 depthwise 卷积。比照 inverted residual block，因为当初 depthwise 卷积的输出为高维度特色，能够提取更丰盛的空间信息。
-
Activation layers
有钻研发现，应用线性 bottleneck 可能避免特征值变为零，缩小信息失落。依据这一倡议以及试验后果，sandglass block 仅在第一个 depthwise 卷积前面和第二个 pointwise 卷积前面增加激活层，其余的均不增加。
-
Block structure
sandglass block 的构造如表 1 所示，当输出和输入维度不一样时，不增加 shortcut，depthwise 卷积采纳 $3\times 3$ 卷积核，在须要的中央采纳 BN+ReLU6 的组合。
MobileNeXt Architecture
基于 sandglass block，构建了如表 2 所示的 MobileNeXt，结尾是 32 维输入的卷积，后续是 sandglass block 的重叠，最初是全局均匀池化，将二维的特色图压缩为一维，最初再由全连贯层输入每个类别的分数。
-
Identity tensor multiplier
只管 shortcut 连贯有助于梯度的回传，但论文通过试验发现，其实不须要放弃残缺的特色去跟 residual path 联合。为了让网络对挪动设施更敌对，论文提出超参数 identity tensor multiplier $\alpha\in[0,1]$，用于管制 shortcut 传递的特色维度。
定义 $\phi$ 为 residual path 的转换函数，原来的 residual block 计算可示意为 $G=\phi(F)+F$，加上超参数后，residual block 变为：
下标代表通道，应用较小的 $\alpha$ 有两个益处：
- 耗时的 element-wise addition 的计算将会缩小。
- 耗时的内存拜访 (MAC) 将缩小，另外因为须要缓存的 tensor 变小了，有助于将其缓存在高速内存中，能够进一步减速。
Experiment
与 MobileNetV2 在 ImageNet 上进行比照。
与其余网络在 ImageNet 上进行比照。
不同 identity tensor multiplier 的比照。
作为检测网络的骨干网络的比照。
Conclustion
论文深入分析了 inverted residual block 的设计理念和毛病，提出更适宜轻量级网络的 sandglass block，基于该构造搭建的 MobileNext。sandglass block 由两个 depthwise 卷积和两个 pointwise 卷积组成，局部卷积不需激活以及 shorcut 建设在高维度特色上。依据论文的试验后果，MobileNext 在参数量、计算量和准确率上都有更优的体现，惟一遗憾的是论文没有列出在设施上的理论用时，如果补充一下更好了。
如果本文对你有帮忙，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】