共计 1325 个字符，预计需要花费 4 分钟才能阅读完成。
这是我最近才看到的一篇论文，它提出了动静 ReLU (Dynamic ReLU, DY-ReLU)，能够将全局上下文编码为超函数，并相应地调整分段线性激活函数。与传统的 ReLU 相比，DY-ReLU 的额定计算成本能够忽略不计，但示意能力明显增强，并且实现简略，所以能够非常简单的对咱们现有的模型进行批改。
Dynamic ReLU (DY-ReLU)
对于给定的输出向量 (或张量)x，DY-ReLU 被定义为具备可学习参数 θ(x) 的函数 fθ(x)(x)，该参数适应于输出 x，它包含两个性能:
超函数 θ(x): 用于计算激活函数的参数。
激活函数 fθ(x)(x): 应用参数 θ(x)生成所有通道的激活。
1、函数定义
设传统的或动态的 ReLU 为 y = max(x, 0)。ReLU 能够推广为每个通道 c 的参数分段线性函数。
其中 coeffcients (akc, bkc)是超函数 (x) 的输入，如下:
其中 K 是函数的个数，C 是通道的个数。论文中 K =2。
2、超函数 θ(x)的实现
应用轻量级网络对超函数进行建模，这个超函数相似于 SENet 中的 SE 模块(稍后会介绍)。
输入有 2KC 个元素，对应于 a 和 b 的残差。2σ(x)- 1 用于对 - 1 到 1 之间的残差进行归一化，其中 σ(x)示意 s 型函数。最终输入计算为初始化和残差之和，如下所示:
其中 λ 是标量，这个公式也就是咱们下面的图
3、与先前钻研的关系
能够看到 DY-ReLU 的三种非凡状况相当于 ReLU、Leaky ReLU 和 PReLU。
4、DY-ReLU 的变体
DY-ReLU-A: 激活函数是空间和通道共享的。
DY-ReLU-B: 激活函数是空间共享和通道相干的。
DY-ReLU-C: 激活的是空间和通道离开的。
后果展现
1、融化钻研
所有三种变动都比基线有所改善，但通道离开的 DY-ReLU(变动 B 和 C)显著优于通道共享的 DY-ReLU(变动 A)。
所以依据下面后果，应用 DY-ReLU- B 进行 ImageNet 分类，应用 DY-ReLU- C 进行 COCO 关键点检测。
2、ImageNet 分类
应用 MobileNetV2 (×0.35 和×1.0)，用不同的激活函数代替 ReLU。所提出的办法显著优于所有先前的工作，包含具备更多计算成本的 Maxout。这表明 DY-ReLU 不仅具备更强的示意能力，而且计算效率高。
上图绘制了 5 万张验证图像在不同区块 (从低到高) 的 DY-ReLU 输入输出值。能够看到学习到的 DY-ReLU 在特色上是动静的，因为对于给定的输出 x，激活值 (y) 在一个范畴内 (蓝点笼罩的范畴) 变动。
下图剖析 DY-ReLU 中两段之间的夹角(即斜率差 |a1c-a2c|)。激活函数在较高水平上具备较低的蜿蜒。
3、COCO 关键点预计
当应用 MobileNetV3 作为骨干时，删除 SENet 模块，应用 DY-ReLU 代替 ReLU 和 h -Swish 后，后果也有进步。
总结
能够看到，只是应用 DY-ReLU 替换现有的激活函数，模型的体现显著优于基线模型。
这是 ECCV2020 的一篇论文，咱们这里间接贴出 paperswithcode 的地址，这样能够间接拿来进行应用
https://avoid.overfit.cn/post/8db206f03cd54167b9eb2d06ebaffc6b
作者：sh-tsang