作者丨科技猛兽
编辑丨极市平台
极市导读
本文提出一种卷积调制模块，利用卷积来建立关系，这比注意力机制在处理高分辨率图像时更高效，称为 Conv2Former。作者在 ImageNet 分类、目标检测和语义分割方面的实验也表明，Conv2Former 比以前基于 CNN 的模型和大多数基于 Transformer 的模型表现得更好。
本文目录
1 Conv2Former：Transformer 风格的卷积网络视觉基线模型
(来自南开大学，字节跳动)
1.1 Conv2Former 论文解读
1.1.1 背景和动机
1.1.2 卷积调制模块
1.1.3 Conv2Former 整体架构
1.1.4 实验结果
1 Conv2Former：Transformer 风格的卷积网络视觉基线模型
论文名称：Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition
论文地址： https://arxiv.org/pdf/2211.11943.pdf
以 VGGNet、Inception 系列和 ResNet 系列为代表的 2010-2020 年代的卷积神经网络 (ConvNets) 在多种视觉任务中取得了巨大的进展，它们的共同特点是顺序堆叠多个基本模块 (Basic Building Block)，并采用金字塔结构 (pyramid network architecture)，但是却忽略了显式建模全局上下文信息的重要性 。SENet 模块系列模型突破了传统的 CNN 设计思路，将注意力机制引入到 CNN 中以捕获远程依赖，获得了更好的性能。
自从 2020 年以来，视觉 Transformer (ViTs) 进一步促进了视觉识别模型的发展，在 ImageNet 图像分类和下游任务上表现出比最先进的 ConvNets 更好的结果。这是因为与只进行局部建模的卷积操作相比，Transformer 中的自注意力机制能够对全局的成对依赖进行建模，提供了一种更有效的空间信息编码方法 。然而，在处理高分辨率图像时，自注意力机制导致的计算成本是相当大的。
为了解决这个问题，一些 2022 年经典的工作试图回答：如何借助卷积操作，打造具有 Transformer 风格的卷积网络视觉基线模型？
比如 ConvNeXt [1]：将标准 ResNet 架构现代化，并使用与 Transformer 相似的设计和训练策略，ConvNeXt 可以比一些 Transformer 表现得更好。
从原理和代码详解FAIR去年的惊艳之作：全新的纯卷积模型ConvNeXt
再比如 HorNet [2]：通过建模高阶的相互作用，使得纯卷积模型可以做到像 Transformer 一样的二阶甚至更高的相互作用。
精度超越ConvNeXt的新CNN！HorNet：通过递归门控卷积实现高效高阶的空间信息交互
再比如 RepLKNet [3]，SLaK [4]：通过 31×31 或者 51×51 的超大 Kernel 的卷积，使得纯卷积模型可以建模更远的距离。
又对ConvNets下手了！详解SLaK：从稀疏性的角度将卷积核扩展到 51×51
到目前为止，如何更有效地利用卷积来构建强大的 ConvNet 体系结构仍然是一个热门的研究课题。
本文的关键就是本小节介绍的卷积调制模块。如下图1所示, 对于传统的 Self-attention, 给定一个序列长度为 的输入 , 自注意力模块首先通过线性层得到 key , query , 和 value , 其中 是通道数。 和 是输入的空间大小。输出是注意力矩阵 (本质是相似度得分矩阵) :
式中， 度量每一对输入令牌之间的关系，可以写成：
为了简单起见，这里省略了 scale factor，自注意模块的计算复杂度随着序列长度N的增加呈二次增长，带来了更高的计算代价。
在卷积调制模块中, 不通过2式计算相似度得分矩阵 。具体来说, 给定输入 , 作者使用一个大小为 的 Depth-wise 卷积 和 Hadamard 积计算输出:
式中, 是 Hadamard 积, 是两个线性层的参数。上述卷积调制操作使每个空间位置 与以 为中心的 平方区域内的所有像素相关, 通道之间的信息交互可通过线性层实现。每个空间位置的输出是正方形区域内所有像素的加权和。
优势： 卷积调制模块利用卷积来建立关系，这比注意力机制在处理高分辨率图像时更高效。
图1：卷积调制模块示意图
ConvNeXt 表明，将 ConvNets 的核大小从3扩大到7可以提高分类性能。然而，进一步增加 Kernel 的大小几乎不会带来性能上的提升，反而会在没有重新参数化的情况下增加计算负担。但作者认为，使 ConvNeXt 从大于 7×7的 Kernel Size 中获益很少的原因是使用空间卷积的方式。对于 Conv2Former，当 Kernel Size 从 5×5 增加到 21×21 时，可以观察到一致的性能提升。这种现象不仅发生在 Conv2Former-T (82.8→83.4) 上，也发生在参数为80M+ 的 Conv2Former-B (84.1→84.5) 上。考虑到模型效率，默认的 Kernel Size 大小可以设置为 11×11。
图2：几种模块的空间编码过程比较
权重策略的优化： 注意这里作者直接将深度卷积的输出作为权重，对线性投影后的特征进行调制。Hadamard 积之前既没有使用激活层，也没有使用归一化层 (例如 Sigmoid 或 LN 层)，如果像 SE 模块那样加一个 Sigmoid 函数，会使性能降低 0.5% 以上。
如下图3所示，与ConvNeXt 和 Swin Transformer 相似，作者的 Conv2Former 也采用了金字塔架构。总共有4个 Stage，每个 Stage 的特征分辨率依次递减。根据模型大小尺寸，一共设计了5个变体：Conv2Former-N，Conv2Former-T， Conv2Former-S， Conv2Former-B，Conv2Former-L。
图3：Conv2Former 整体架构
当可学习参数数量固定时，如何安排网络的宽度和深度对模型性能有影响。原始的 ResNet-50 将每个 Stage 的块数设置为 (3,4,6,3)。ConvNeXt-T 按照 Swin-T 的模式将 Block 数之比更改为 (3,3,9,3)，并对较大的模型将 Block 数之比更改为 (1,1,9,1)。Conv2Former 的设置如下图4所示。可以观察到，对于一个小模型 (参数小于30M)，更深的网络表现更好。
图4：Conv2Former 的架构配置
ImageNet-1K 实验分为两种，一种是直接在 ImageNet-1K 上面训练和验证，另一种是先在 ImageNet-22K 上预训练，再在 ImageNet-1K 上微调和验证。
ImageNet-1K 实验设置
数据集：ImageNet-1K 训练 300 Epochs，ImageNet-1K 验证。
优化器: AdamW, lr batch_size :1024, , weight decay 为 , 数据增强: MixUp, CutMix, Stochastic Depth, Random Erasing, Label Smoothing, RandAug。
ImageNet-22K 实验设置
数据集：ImageNet-22K 预训练 90 Epochs，ImageNet-1K 微调 30 Epochs，ImageNet-1K 验证。
如下图5所示是 ImageNet-1K 实验结果。对于小型模型 (< 30M)，与 ConvNeXt-T 和 Swin-T 相比，Conv2Former 分别有 1.1% 和 1.7% 的性能提升。即使 Conv2Former-N 只有 15M 参数和 2.2G FLOPs，其性能也与具有 28M 参数和 4.5G FLOPs 的 SwinT-T 相同。对于其他流行的模型，Conv2Former 也比类似模型尺寸的模型表现更好。Conv2Former-B 甚至比 EfficientNetB7 表现得更好 (84.4% vs . 84.3%)，后者的计算量是 Conv2Former 的两倍 (37G vs. 15G)。
图5：ImageNet-1K 实验结果
如下图6所示是 ImageNet-22K 的实验结果。作者遵循 ConvNeXt 中使用的设置来训练和微调模型。与 ConvNeXt 的不同变体相比，当模型尺寸相似时，Conv2Former 都表现得更好。此外，我们可以看到，当在更大的分辨率384×384 上进行微调时，Conv2Former-L 获得了比混合模型 (如 CoAtNet 和 MOAT) 更好的结果，Conv2Former-L 达到了 87.7% 的最佳结果。
图6：ImageNet-22K 实验结果
如下图8所示是关于卷积核大小的消融实验结果。在 大小增加到 21 × 21 之前，性能增益似乎已经饱和。这个结果与 ConvNeXt 得出的结论截然不同，ConvNeXt 得出的结论是，使用大于 7×7 的 Kernel 不会带来明显的性能提升。
图7：onv2Former 对于大卷积核的泛化效果很好
消融实验1：卷积核大小
如下图8所示是关于卷积核大小的消融实验结果。在 Kernel Size 增加到 21 × 21 之前，性能增益已经饱和。这个结果与 ConvNeXt 得出的结论截然不同，ConvNeXt 得出的结论是，使用大于 7×7 的 Kernel Size 不会带来明显的性能提升。这表明 Conv2Former 的做法能比传统方式更有效地利用大 Kernel 的优势。
图8：卷积核大小，融合策略的消融实验结果
消融实验2：不同融合策略的影响
如下图8, 9所示是关于不同融合策略影响的消融实验结果。除了上述两种融合策略外, 作者还尝试使用其他方法来融合特征映射, 包括在 之后添加一个 Sigmoid 函数, 对 进行 归一化 处理, 将 的值线性归一化到(0,1]。可以看到, Hardmard 积比其他操作的结果更好。作者发现, 无论是通过 Sigmoid 函数, 还是通过线性的归一化操作, 将 线性化到 之间, 都会对性能有损害。
直筒架构实验结果
遵循 ConvNeXt 的做法，作者也训练了 Conv2Former 的直筒架构 (Isotropic Models) 版本，结果如下图9所示。作者将 Conv2Former-IS 和 Conv2Former-IB 的块数设置为18，并调整通道数以匹配模型大小。字母 "I" 表示直筒架构，可以看到，对于 22M 参数左右的小型模型，Conv2Former-IS 比 DeiT-S 的表现要好得多。当将模型尺寸放大到 80M+ 时，Conv2Former-IB 达到了 82.7% 的 Top-1 Accuracy，这也比 ConvNeXt-IB 高 0.7%，比 DeiT-B 高0.9%。
图9：直筒架构实验结果
目标检测实验结果
如下图10所示是不同骨干网络，以 Mask R-CNN 为检测头和 Cascade Mask R-CNN 为实例分割头在 COCO 数据集的实验结果。训练策略遵循 ConvNeXt。对于小模型，使用 Mask R-CNN 框架时，Conv2Former-T 比 SwinT-T 和 ConvNeXt-T 获得了约 2% AP 的改进。
图10：目标检测实验结果
语义分割实验结果
如下图11所示是不同骨干网络，以 UperNet 为分割头在 ADE20k 上的实验结果。对于不同尺度的模型，我们的Conv2Former可以优于Swin Transformer和ConvNeXt。
总结
本文试图回答：如何借助卷积操作，打造具有 Transformer 风格的卷积网络视觉基线模型。本文提出一种卷积调制模块，利用卷积来建立关系，这比注意力机制在处理高分辨率图像时更高效。最终的模型称为 Conv2Former，它通过只使用卷积和 Hadamard 积，简化了注意力机制。卷积调制操作是一种利用大核卷积的更有效的方法。作者在 ImageNet 分类、目标检测和语义分割方面的实验也表明，Conv2Former 比以前基于 CNN 的模型和大多数基于 Transformer 的模型表现得更好。
参考
- ^A ConvNet for the 2020s
- ^HorNet: Efficient High-Order Spatial Interactions with Recursive Gated Convolutions
- ^Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs
- ^More ConvNets in the 2020s: Scaling up Kernels Beyond 51 × 51 using Sparsity