作者丨皮特潘
編輯丨極市平台
導讀
所謂“插件”，就是要能錦上添花，又容易植入、落地，即真正的即插即用。本文盤點的“插件”能夠提升CNN平移、旋轉、scale等變性能力或多尺度特征提取，感受野等能力，在很多SOTA網絡中都會看到它們的影子。
前言
本文盤點一些CNN網絡中設計比較精巧而又實用的“插件”。所謂“插件”，就是不改變網絡主體結構， 可以很容易嵌入到主流網絡當中，提高網絡提取特征的能力，能夠做到plug-and-play。網絡也有很多類似盤點工作，都宣稱所謂的即插即用、無痛漲點。不過根據筆者經驗和收集，發現很多插件都是不實用、不通用、甚至不work的，于是有了這一篇。
首先，我的認識是：既然是“插件”，就要是錦上添花的，又容易植入，容易落地的，真正的即插即用。本文盤點的“插件”，在很多SOTA網絡中會看到它們的影子。是值得推廣的良心“插件”，真正能做到plug-and-play。總之一句話，就是能夠work的“插件”。很多“插件”都為提升CNN能力而推出的，例如平移、旋轉、scale等變性能力，多尺度特征提取能力，感受野等能力，感覺空間位置能力等等。
入圍名單：STN、ASPP、Non-local、SE、CBAM、DCNv1&v2、CoordConv、Ghost、BlurPool、RFB、ASFF
1 STN
出自論文：Spatial Transformer Networks
論文連結：https://arxiv.org/pdf/1506.02025.pdf
核心解析：
在OCR等任務中，你會經常看到它的身影。對于CNN網絡，我們希望其具有對物體的姿态、位置等有一定的不變性。即在測試集上可以适應一定的姿态、位置的變化。不變性或等變性可以有效提高模型泛化能力。雖然CNN使用sliding-window卷積操作，在一定程度上具有平移不變性。但很多研究發現，下采樣會破壞網絡的平移不變性。是以可以認為網絡的不變性能力非常弱，更不用說旋轉、尺度、光照等不變性。一般我們利用資料增強來實作網絡的“不變性”。
本文提出STN子產品，顯式将空間變換植入到網絡當中，進而提高網絡的旋轉、平移、尺度等不變性。可以了解為“對齊”操作。STN的結構如上圖所示，每一個STN子產品由Localisation net，Grid generator和Sampler三部分組成。Localisation net用于學習擷取空間變換的參數，就是上式中的六個參數。Grid generator用于坐标映射。Sampler用于像素的采集，是利用雙線性插值的方式進行。
STN的意義是能夠把原始的圖像糾正成為網絡想要的理想圖像，并且該過程為無監督的方式進行，也就是變換參數是自發學習擷取的，不需要标注資訊。該子產品是一個獨立子產品，可以在CNN的任何位置插入。符合本次“插件”的盤點要求。
核心代碼：
class SpatialTransformer(nn.Module):
def __init__(self, spatial_dims):
super(SpatialTransformer, self).__init__()
self._h, self._w = spatial_dims
self.fc1 = nn.Linear(32*4*4, 1024) # 可根據自己的網絡參數具體設定
self.fc2 = nn.Linear(1024, 6)
def forward(self, x):
batch_images = x #儲存一份原始資料
x = x.view(-1, 32*4*4)
# 利用FC結構學習到6個參數
x = self.fc1(x)
x = self.fc2(x)
x = x.view(-1, 2,3) # 2x3
# 利用affine_grid生成采樣點
affine_grid_points = F.affine_grid(x, torch.Size((x.size(0), self._in_ch, self._h, self._w)))
# 将采樣點作用到原始資料上
rois = F.grid_sample(batch_images, affine_grid_points)
return rois, affine_grid_points 2 ASPP
插件全稱：atrous spatial pyramid pooling
出自論文：DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Conv
論文連結：https://arxiv.org/pdf/1606.00915.pdf
核心解析：
本插件是帶有空洞卷積的空間金字塔池化子產品，主要是為了提高網絡的感受野，并引入多尺度資訊而提出的。我們知道，對于語義分割網絡，通常面臨是分辨率較大的圖檔，這就要求我們的網絡有足夠的感受野來覆寫到目标物體。對于CNN網絡基本是靠卷積層的堆疊加上下采樣操作來擷取感受野的。本文的該子產品可以在不改變特征圖大小的同時控制感受野，這有利于提取多尺度資訊。其中rate控制着感受野的大小，r越大感受野越大。
ASPP主要包含以下幾個部分：1. 一個全局平均池化層得到image-level特征，并進行1X1卷積，并雙線性插值到原始大小；2. 一個1X1卷積層，以及三個3X3的空洞卷積；3. 将5個不同尺度的特征在channel次元concat在一起，然後送入1X1的卷積進行融合輸出。
核心代碼：
class ASPP(nn.Module):
def __init__(self, in_channel=512, depth=256):
super(ASPP,self).__init__()
self.mean = nn.AdaptiveAvgPool2d((1, 1))
self.conv = nn.Conv2d(in_channel, depth, 1, 1)
self.atrous_block1 = nn.Conv2d(in_channel, depth, 1, 1)
# 不同空洞率的卷積
self.atrous_block6 = nn.Conv2d(in_channel, depth, 3, 1, padding=6, dilation=6)
self.atrous_block12 = nn.Conv2d(in_channel, depth, 3, 1, padding=12, dilation=12)
self.atrous_block18 = nn.Conv2d(in_channel, depth, 3, 1, padding=18, dilation=18)
self.conv_1x1_output = nn.Conv2d(depth * 5, depth, 1, 1)
def forward(self, x):
size = x.shape[2:]
# 池化分支
image_features = self.mean(x)
image_features = self.conv(image_features)
image_features = F.upsample(image_features, size=size, mode='bilinear')
# 不同空洞率的卷積
atrous_block1 = self.atrous_block1(x)
atrous_block6 = self.atrous_block6(x)
atrous_block12 = self.atrous_block12(x)
atrous_block18 = self.atrous_block18(x)
# 彙合所有尺度的特征
x = torch.cat([image_features, atrous_block1, atrous_block6,atrous_block12, atrous_block18], dim=1)
# 利用1X1卷積融合特征輸出
x = self.conv_1x1_output(x)
return net 3 Non-local
出自論文：Non-local Neural Networks
論文連結：https://arxiv.org/abs/1711.07971
核心解析：
Non-Local是一種attention機制，也是一個易于植入和內建的子產品。Local主要是針對感受野(receptive field)來說的，以CNN中的卷積操作和池化操作為例，它的感受野大小就是卷積核大小，而我們常用3X3的卷積層進行堆疊，它隻考慮局部區域，都是local的運算。不同的是，non-local操作感受野可以很大，可以是全局區域，而不是一個局部區域。捕獲長距離依賴（long-range dependencies），即如何建立圖像上兩個有一定距離的像素之間的聯系，是一種注意力機制。所謂注意力機制就是利用網絡生成saliency map，注意力對應的是顯著性區域，是需要網絡重點關注的區域。
- 首先分别對輸入的特征圖進行 1X1的卷積來壓縮通道數，得到，特征。
- 通過reshape操作，轉化三個特征的次元，然後對進行矩陣乘操作，得到類似協方差矩陣, 這一步為了計算出特征中的自相關性，即得到每幀中每個像素對其他所有幀所有像素的關系。
- 然後對自相關特征進行 Softmax 操作，得到0~1的weights，這裡就是我們需要的 Self-attention系數。
- 最後将 attention系數，對應乘回特征矩陣g上，與原輸入 feature map X 殘差相加輸出即可。
這裡我們結合一個簡單例子了解一下，假設g為(我們暫時不考慮batch和channel次元)：
g = torch.tensor([[1, 2],
[3, 4]).view(-1, 1).float() 為：
theta = torch.tensor([2, 4, 6, 8]).view(-1, 1) 為：
phi = torch.tensor([7, 5, 3, 1]).view(1, -1) 那麼，和矩陣相乘如下：
tensor([[14., 10., 6., 2.],
[28., 20., 12., 4.],
[42., 30., 18., 6.],
[56., 40., 24., 8.]]) 進過softmax(dim=-1)後如下，每一行代表着g裡面的元素的重要程度，每一行前面的值比較大，是以希望多“注意”到g前面的元素，也就是1比較重要一點。或者這樣了解：注意力矩陣代表着g中每個元素和其他元素的依賴程度。
tensor([[9.8168e-01, 1.7980e-02, 3.2932e-04, 6.0317e-06],
[9.9966e-01, 3.3535e-04, 1.1250e-07, 3.7739e-11],
[9.9999e-01, 6.1442e-06, 3.7751e-11, 2.3195e-16],
[1.0000e+00, 1.1254e-07, 1.2664e-14, 1.4252e-21]]) 注意力作用上之後，整體值向原始g中的值都向1靠攏：
tensor([[1.0187, 1.0003],
[1.0000, 1.0000]]) 核心代碼：
class NonLocal(nn.Module):
def __init__(self, channel):
super(NonLocalBlock, self).__init__()
self.inter_channel = channel // 2
self.conv_phi = nn.Conv2d(channel, self.inter_channel, 1, 1,0, False)
self.conv_theta = nn.Conv2d(channel, self.inter_channel, 1, 1,0, False)
self.conv_g = nn.Conv2d(channel, self.inter_channel, 1, 1, 0, False)
self.softmax = nn.Softmax(dim=1)
self.conv_mask = nn.Conv2d(self.inter_channel, channel, 1, 1, 0, False)
def forward(self, x):
# [N, C, H , W]
b, c, h, w = x.size()
# 擷取phi特征，次元為[N, C/2, H * W]，注意是要保留batch和通道次元的，是在HW上進行的
x_phi = self.conv_phi(x).view(b, c, -1)
# 擷取theta特征，次元為[N, H * W, C/2]
x_theta = self.conv_theta(x).view(b, c, -1).permute(0, 2, 1).contiguous()
# 擷取g特征，次元為[N, H * W, C/2]
x_g = self.conv_g(x).view(b, c, -1).permute(0, 2, 1).contiguous()
# 對phi和theta進行矩陣乘，[N, H * W, H * W]
mul_theta_phi = torch.matmul(x_theta, x_phi)
# softmax拉到0~1之間
mul_theta_phi = self.softmax(mul_theta_phi)
# 與g特征進行矩陣乘運算，[N, H * W, C/2]
mul_theta_phi_g = torch.matmul(mul_theta_phi, x_g)
# [N, C/2, H, W]
mul_theta_phi_g = mul_theta_phi_g.permute(0, 2, 1).contiguous().view(b, self.inter_channel, h, w)
# 1X1卷積擴充通道數
mask = self.conv_mask(mul_theta_phi_g)
out = mask + x # 殘差連接配接
return out 4 SE
出自論文：Squeeze-and-Excitation Networks
論文連結：https://arxiv.org/pdf/1709.01507.pdf
核心解析：
本文是ImageNet最後一屆比賽的冠軍作品，你會在很多經典網絡結構中看到它的身影，例如Mobilenet v3。其實是一種通道注意力機制。由于特征壓縮和FC的存在，其捕獲的通道注意力特征是具有全局資訊的。本文提出了一種新的結構單元——“Squeeze-and Excitation(SE)”子產品，可以自适應的調整各通道的特征響應值，對通道間的内部依賴關系進行模組化。有以下幾個步驟：
- Squeeze: 沿着空間次元進行特征壓縮，将每個二維的特征通道變成一個數，是具有全局的感受野。
- Excitation: 每個特征通道生成一個權重，用來代表該特征通道的重要程度。
- Reweight：将Excitation輸出的權重看做每個特征通道的重要性，通過相乘的方式作用于每一個通道上。
核心代碼：
class SE_Block(nn.Module):
def __init__(self, ch_in, reduction=16):
super(SE_Block, self).__init__()
self.avg_pool = nn.AdaptiveAvgPool2d(1) # 全局自适應池化
self.fc = nn.Sequential(
nn.Linear(ch_in, ch_in // reduction, bias=False),
nn.ReLU(inplace=True),
nn.Linear(ch_in // reduction, ch_in, bias=False),
nn.Sigmoid()
)
def forward(self, x):
b, c, _, _ = x.size()
y = self.avg_pool(x).view(b, c) # squeeze操作
y = self.fc(y).view(b, c, 1, 1) # FC擷取通道注意力權重，是具有全局資訊的
return x * y.expand_as(x) # 注意力作用每一個通道上 5 CBAM
出自論文：CBAM: Convolutional Block Attention Module
論文連結：https://openaccess.thecvf.com/content_ECCV_2018/papers/Sanghyun_Woo_Convolutional_Block_Attention_ECCV_2018_paper.pdf
核心解析：
SENet在feature map的通道上進行attention權重擷取，然後與原來的feature map相乘。這篇文章指出，該種attention方法法隻關注了通道層面上哪些層會具有更強的回報能力，但是在空間次元上并不能展現出attention。CBAM作為本文的亮點，将attention同時運用在channel和spatial兩個次元上， CBAM與SE Module一樣，可以嵌入在大部分的主流網絡中，在不顯著增加計算量和參數量的前提下能提升模型的特征提取能力。
通道注意力: 如上圖所示，輸入是一個 H×W×C 的特征F，我們先分别進兩個空間的全局平均池化和最大池化得到 兩個 1×1×C 的通道描述。再将它們分别送進一個兩層的神經網絡，第一層神經元個數為 C/r，激活函數為 Relu，第二層神經元個數為 C。注意，這個兩層的神經網絡是共享的。然後，再将得到的兩個特征相加後經過一個 Sigmoid 激活函數得到權重系數 Mc。最後，拿權重系數和 原來的特征 F 相乘即可得到縮放後的新特征。僞代碼:
def forward(self, x):
# 利用FC擷取全局資訊，和Non-local的矩陣相乘本質上式一樣的
avg_out = self.fc2(self.relu1(self.fc1(self.avg_pool(x))))
max_out = self.fc2(self.relu1(self.fc1(self.max_pool(x))))
out = avg_out + max_out
return self.sigmoid(out) 空間注意力: 與通道注意力相似，給定一個 H×W×C 的特征 F‘，我們先分别進行一個通道次元的平均池化和最大池化得到兩個 H×W×1 的通道描述，并将這兩個描述按照通道拼接在一起。然後，經過一個 7×7 的卷積層， 激活函數為 Sigmoid，得到權重系數 Ms。最後，拿權重系數和特征 F’ 相乘即可得到縮放後的新特征。僞代碼:
def forward(self, x):
# 這裡利用池化擷取全局資訊
avg_out = torch.mean(x, dim=1, keepdim=True)
max_out, _ = torch.max(x, dim=1, keepdim=True)
x = torch.cat([avg_out, max_out], dim=1)
x = self.conv1(x)
return self.sigmoid(x) 6 DCN v1&v2
插件全稱：Deformable Convolutional
出自論文：
v1: [Deformable Convolutional Networks]
https://arxiv.org/pdf/1703.06211.pdf
v2: [Deformable ConvNets v2: More Deformable, Better Results]
https://arxiv.org/pdf/1811.11168.pdf
核心解析：
變形卷積可以看作變形+卷積兩個部分，是以可以當作插件使用。在各大主流檢測網絡中，變形卷積真是漲點神器，網上解讀也非常之多。和傳統的固定視窗的卷積相比，變形卷積可以有效地對幾何圖形，因為它的“局部感受野”是可學習的，面向全圖的。這篇論文同時提出了deformable ROI pooling，這兩個方法都是增加額外偏移量的空間采樣位置，不需要額外的監督，是自監督的過程。
如上圖所示，a為不同的卷積，b為變形卷積，深色的點為卷積核實際采樣的位置，和“标準的”位置有一定的偏移。c和d為變形卷積的特殊形式，其中c為我們常見到的空洞卷積，d為具有學習旋轉特性的卷積，也具備提升感受野的能力。
變形卷積和STN過程非常類似，STN是利用網絡學習出空間變換的6個參數，對特征圖進行整體變換，旨在增加網絡對形變的提取能力。DCN是利用網絡學習數整圖offset，比STN的變形更“全面一點”。STN是仿射變換，DCN是任意變換。公式不貼了，可以直接看代碼實作過程。
變形卷積具有V1和V2兩個版本，其中V2是在V2的基礎上進行改進，除了采樣offset，還增加了采樣權重。V2認為3X3采樣點也應該具有不同的重要程度，是以該處理方法更具有靈活性和拟合能力。
核心代碼：
def forward(self, x):
# 學習出offset，包括x和y兩個方向，注意是每一個channel中的每一個像素都有一個x和y的offset
offset = self.p_conv(x)
if self.v2: # V2的時候還會額外學習一個權重系數，經過sigmoid拉到0和1之間
m = torch.sigmoid(self.m_conv(x))
# 利用offset對x進行插值，擷取偏移後的x_offset
x_offset = self.interpolate(x,offset)
if self.v2: # V2的時候，将權重系數作用到特征圖上
m = m.contiguous().permute(0, 2, 3, 1)
m = m.unsqueeze(dim=1)
m = torch.cat([m for _ in range(x_offset.size(1))], dim=1)
x_offset *= m
out = self.conv(x_offset) # offset作用後，在進行标準的卷積過程
return out 7 CoordConv
出自論文：An intriguing failing of convolutional neural networks and the CoordConv solution
論文連結：https://arxiv.org/pdf/1807.03247.pdf
核心解析：
在Solo語義分割算法和Yolov5中你可以看到它的身影。本文從幾個小實驗為出發點，探究了卷積網絡在坐标變換上的能力。就是它無法将空間表示轉換成笛卡爾空間中的坐标。如下圖所示，我們向一個網絡中輸入(i, j)坐标，要求它輸出一個64×64的圖像，并在坐标處畫一個正方形或者一個像素，然而網絡在測試集上卻無法完成。雖然這項任務是我們人類認為極其簡單的工作。分析原因是卷積作為一種局部的、共享權重的過濾器應用到輸入上時，它是不知道每個過濾器在哪，無法捕捉位置資訊的。是以我們可以幫助卷積，讓它知道過濾器的位置。僅僅需要在輸入上添加兩個通道，一個是i坐标，另一個是j坐标。具體做法如上圖所示，送入濾波器之前增加兩個通道。這樣，網絡就具備了空間位置資訊的能力，是不是很神奇？你可以随機在分類、分割、檢測等任務中使用這種挂件。
如上面第一組圖檔，傳統的CNN在根據坐标數值生成圖像的任務中，訓練集很好，測試集一團糟。第二組圖檔增加了 CoordConv 之後可以輕松完成該任務，可見其增加了CNN空間感覺的能力。
核心代碼：
ins_feat = x # 目前執行個體特征tensor
# 生成從-1到1的線性值
x_range = torch.linspace(-1, 1, ins_feat.shape[-1], device=ins_feat.device)
y_range = torch.linspace(-1, 1, ins_feat.shape[-2], device=ins_feat.device)
y, x = torch.meshgrid(y_range, x_range) # 生成二維坐标網格
y = y.expand([ins_feat.shape[0], 1, -1, -1]) # 擴充到和ins_feat相同次元
x = x.expand([ins_feat.shape[0], 1, -1, -1])
coord_feat = torch.cat([x, y], 1) # 位置特征
ins_feat = torch.cat([ins_feat, coord_feat], 1) # concatnate一起作為下一個卷積的輸入 8 Ghost
插件全稱：Ghost module
出自論文：GhostNet: More Features from Cheap Operations
論文連結：https://arxiv.org/pdf/1911.11907.pdf
核心解析：
在ImageNet的分類任務上，GhostNet在相似計算量情況下Top-1正确率達75.7%，高于MobileNetV3的75.2%。其主要創新點就是提出了Ghost 子產品。在CNN模型中，特征圖是存在大量的備援，當然這也是非常重要和有必要的。如下圖所示，其中标“小扳手”的特征圖都存在備援的特征圖。那麼能否降低卷積的通道數，然後利用某種變換生成備援的特征圖？事實上這就是GhostNet的思路。
而本文就從特征圖備援問題出發，提出一個僅通過少量計算（論文稱為cheap operations）就能生成大量特征圖的結構——Ghost Module。而cheap operations就是線性變換，論文中采用卷積操作實作。具體過程如下：
- 使用比原始更少量卷積運算，比如正常用64個卷積核，這裡就用32個，減少一半的計算量。
- 利用深度分離卷積，從上面生成的特征圖中變換出備援的特征。
- 上面兩步擷取的特征圖concat起來輸出，送入後續的環節。
核心代碼：
class GhostModule(nn.Module):
def __init__(self, inp, oup, kernel_size=1, ratio=2, dw_size=3, stride=1, relu=True):
super(GhostModule, self).__init__()
self.oup = oup
init_channels = math.ceil(oup / ratio)
new_channels = init_channels*(ratio-1)
self.primary_conv = nn.Sequential(
nn.Conv2d(inp, init_channels, kernel_size, stride, kernel_size//2, bias=False),
nn.BatchNorm2d(init_channels),
nn.ReLU(inplace=True) if relu else nn.Sequential(), )
# cheap操作，注意利用了分組卷積進行通道分離
self.cheap_operation = nn.Sequential(
nn.Conv2d(init_channels, new_channels, dw_size, 1, dw_size//2, groups=init_channels, bias=False),
nn.BatchNorm2d(new_channels),
nn.ReLU(inplace=True) if relu else nn.Sequential(),)
def forward(self, x):
x1 = self.primary_conv(x) #主要的卷積操作
x2 = self.cheap_operation(x1) # cheap變換操作
out = torch.cat([x1,x2], dim=1) # 二者cat到一起
return out[:,:self.oup,:,:] 9 BlurPool
出自論文：Making Convolutional Networks Shift-Invariant Again
論文連結：https://arxiv.org/abs/1904.11486
核心解析：
我們都知道，基于滑動視窗的卷積操作是具有平移不變性的，是以也預設為CNN網絡具有平移不變性或等變性，事實上真的如此嗎？實踐發現，CNN網絡真的非常敏感，隻要輸入圖檔稍微改一個像素，或者平移一個像素，CNN的輸出就會發生巨大的變化，甚至預測錯誤。這可是非常不具有魯棒性的。一般情況下我們利用資料增強擷取所謂的不變性。本文研究發現，不變性的退化根本原因就在于下采樣，無論是Max Pool還是Average Pool，抑或是stride>1的卷積操作，隻要是涉及步長大于1的下采樣，均會導緻平移不變性的丢失。具體示例如下圖所示，僅僅平移一個像素，Max pool的結果就差距很大。
為了保持平移不變性，可以在下采樣之前進行低通濾波。傳統的max pool可以分解為兩部分，分别是stride = 1的max + 下采樣 。是以作者提出的MaxBlurPool = max + blur + 下采樣來替代原始的max pool。實驗發現，該操作雖然不能徹底解決平移不變性的丢失，但是可以很大程度上緩解。
核心代碼：
class BlurPool(nn.Module):
def __init__(self, channels, pad_type='reflect', filt_size=4, stride=2, pad_off=0):
super(BlurPool, self).__init__()
self.filt_size = filt_size
self.pad_off = pad_off
self.pad_sizes = [int(1.*(filt_size-1)/2), int(np.ceil(1.*(filt_size-1)/2)), int(1.*(filt_size-1)/2), int(np.ceil(1.*(filt_size-1)/2))]
self.pad_sizes = [pad_size+pad_off for pad_size in self.pad_sizes]
self.stride = stride
self.off = int((self.stride-1)/2.)
self.channels = channels
# 定義一系列的高斯核
if(self.filt_size==1):
a = np.array([1.,])
elif(self.filt_size==2):
a = np.array([1., 1.])
elif(self.filt_size==3):
a = np.array([1., 2., 1.])
elif(self.filt_size==4):
a = np.array([1., 3., 3., 1.])
elif(self.filt_size==5):
a = np.array([1., 4., 6., 4., 1.])
elif(self.filt_size==6):
a = np.array([1., 5., 10., 10., 5., 1.])
elif(self.filt_size==7):
a = np.array([1., 6., 15., 20., 15., 6., 1.])
filt = torch.Tensor(a[:,None]*a[None,:])
filt = filt/torch.sum(filt) # 歸一化操作，保證特征經過blur後資訊總量不變
# 非grad操作的參數利用buffer存儲
self.register_buffer('filt', filt[None,None,:,:].repeat((self.channels,1,1,1)))
self.pad = get_pad_layer(pad_type)(self.pad_sizes)
def forward(self, inp):
if(self.filt_size==1):
if(self.pad_off==0):
return inp[:,:,::self.stride,::self.stride]
else:
return self.pad(inp)[:,:,::self.stride,::self.stride]
else:
# 利用固定參數的conv2d+stride實作blurpool
return F.conv2d(self.pad(inp), self.filt, stride=self.stride, groups=inp.shape[1]) 10 RFB
插件全稱：Receptive Field Block
出自論文：Receptive Field Block Net for Accurate and Fast Object Detection
論文連結：https://arxiv.org/abs/1711.07767
核心解析：
論文發現目标區域要盡量靠近感受野中心，這會有助于提升模型對小尺度空間位移的魯棒性。是以受人類視覺RF結構的啟發，本文提出了感受野子產品（RFB），加強了CNN模型學到的深層特征的能力，使檢測模型更加準确。RFB可以作為一種通用子產品嵌入到絕大多數網路當中。下圖可以看出其和inception、ASPP、DCN的差別，可以看作是inception+ASPP的結合。
具體實作如下圖，其實和ASPP類似，不過是使用了不同大小的卷積核作為空洞卷積的前置操作。
核心代碼：
class RFB(nn.Module):
def __init__(self, in_planes, out_planes, stride=1, scale = 0.1, visual = 1):
super(RFB, self).__init__()
self.scale = scale
self.out_channels = out_planes
inter_planes = in_planes // 8
# 分支0：1X1卷積+3X3卷積
self.branch0 = nn.Sequential(conv_bn_relu(in_planes, 2*inter_planes, 1, stride),
conv_bn_relu(2*inter_planes, 2*inter_planes, 3, 1, visual, visual, False))
# 分支1：1X1卷積+3X3卷積+空洞卷積
self.branch1 = nn.Sequential(conv_bn_relu(in_planes, inter_planes, 1, 1),
conv_bn_relu(inter_planes, 2*inter_planes, (3,3), stride, (1,1)),
conv_bn_relu(2*inter_planes, 2*inter_planes, 3, 1, visual+1,visual+1,False))
# 分支2：1X1卷積+3X3卷積*3代替5X5卷積+空洞卷積
self.branch2 = nn.Sequential(conv_bn_relu(in_planes, inter_planes, 1, 1),
conv_bn_relu(inter_planes, (inter_planes//2)*3, 3, 1, 1),
conv_bn_relu((inter_planes//2)*3, 2*inter_planes, 3, stride, 1),
conv_bn_relu(2*inter_planes, 2*inter_planes, 3, 1, 2*visual+1, 2*visual+1,False) )
self.ConvLinear = conv_bn_relu(6*inter_planes, out_planes, 1, 1, False)
self.shortcut = conv_bn_relu(in_planes, out_planes, 1, stride, relu=False)
self.relu = nn.ReLU(inplace=False)
def forward(self,x):
x0 = self.branch0(x)
x1 = self.branch1(x)
x2 = self.branch2(x)
# 尺度融合
out = torch.cat((x0,x1,x2),1)
# 1X1卷積
out = self.ConvLinear(out)
short = self.shortcut(x)
out = out*self.scale + short
out = self.relu(out)
return out 11 ASFF
插件全稱：Adaptively Spatial Feature Fusion
出自論文：Adaptively Spatial Feature Fusion Learning Spatial Fusion for Single-Shot Object Detection
論文連結：https://arxiv.org/abs/1911.09516v1
核心解析：
為了更加充分的利用高層語義特征和底層細粒度特征，很多網絡都會采用FPN的方式輸出多層特征，但是它們都多用concat或者element-wise這種融合方式，本論文認為這樣不能充分利用不同尺度的特征，是以提出了Adaptively Spatial Feature Fusion，即自适應特征融合方式。FPN輸出的特征圖經過下面兩部分的處理：
Feature Resizing：特征圖的尺度不同無法進行element-wise融合，是以需要進行resize。對于上采樣：首先利用1X1卷積進行通道壓縮，然後利用插值的方法上采樣特征圖。對于1/2的下采樣：利用stride=2的3X3卷積同時進行通道壓縮和特征圖縮小。對于1/4的下采樣：在stride=2的3X3的卷積之前插入tride=2的maxpooling。
Adaptive Fusion：特征圖自适應融合，公式如下
其中x n→l表示在（i，j）位置的特征向量，來自n特征圖，經過上述resize到l尺度。Alpha。Beta，gamma為空間注意力權重，經過softmax處理，如下：
代碼解析：
class ASFF(nn.Module):
def __init__(self, level, rfb=False):
super(ASFF, self).__init__()
self.level = level
# 輸入的三個特征層的channels, 根據實際修改
self.dim = [512, 256, 256]
self.inter_dim = self.dim[self.level]
# 每個層級三者輸出通道數需要一緻
if level==0:
self.stride_level_1 = conv_bn_relu(self.dim[1], self.inter_dim, 3, 2)
self.stride_level_2 = conv_bn_relu(self.dim[2], self.inter_dim, 3, 2)
self.expand = conv_bn_relu(self.inter_dim, 1024, 3, 1)
elif level==1:
self.compress_level_0 = conv_bn_relu(self.dim[0], self.inter_dim, 1, 1)
self.stride_level_2 = conv_bn_relu(self.dim[2], self.inter_dim, 3, 2)
self.expand = conv_bn_relu(self.inter_dim, 512, 3, 1)
elif level==2:
self.compress_level_0 = conv_bn_relu(self.dim[0], self.inter_dim, 1, 1)
if self.dim[1] != self.dim[2]:
self.compress_level_1 = conv_bn_relu(self.dim[1], self.inter_dim, 1, 1)
self.expand = add_conv(self.inter_dim, 256, 3, 1)
compress_c = 8 if rfb else 16
self.weight_level_0 = conv_bn_relu(self.inter_dim, compress_c, 1, 1)
self.weight_level_1 = conv_bn_relu(self.inter_dim, compress_c, 1, 1)
self.weight_level_2 = conv_bn_relu(self.inter_dim, compress_c, 1, 1)
self.weight_levels = nn.Conv2d(compress_c*3, 3, 1, 1, 0)
# 尺度大小 level_0 < level_1 < level_2
def forward(self, x_level_0, x_level_1, x_level_2):
# Feature Resizing過程
if self.level==0:
level_0_resized = x_level_0
level_1_resized = self.stride_level_1(x_level_1)
level_2_downsampled_inter =F.max_pool2d(x_level_2, 3, stride=2, padding=1)
level_2_resized = self.stride_level_2(level_2_downsampled_inter)
elif self.level==1:
level_0_compressed = self.compress_level_0(x_level_0)
level_0_resized =F.interpolate(level_0_compressed, 2, mode='nearest')
level_1_resized =x_level_1
level_2_resized =self.stride_level_2(x_level_2)
elif self.level==2:
level_0_compressed = self.compress_level_0(x_level_0)
level_0_resized =F.interpolate(level_0_compressed, 4, mode='nearest')
if self.dim[1] != self.dim[2]:
level_1_compressed = self.compress_level_1(x_level_1)
level_1_resized = F.interpolate(level_1_compressed, 2, mode='nearest')
else:
level_1_resized =F.interpolate(x_level_1, 2, mode='nearest')
level_2_resized =x_level_2
# 融合權重也是來自于網絡學習
level_0_weight_v = self.weight_level_0(level_0_resized)
level_1_weight_v = self.weight_level_1(level_1_resized)
level_2_weight_v = self.weight_level_2(level_2_resized)
levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v,
level_2_weight_v),1)
levels_weight = self.weight_levels(levels_weight_v)
levels_weight = F.softmax(levels_weight, dim=1) # alpha産生
# 自适應融合
fused_out_reduced = level_0_resized * levels_weight[:,0:1,:,:]+\
level_1_resized * levels_weight[:,1:2,:,:]+\
level_2_resized * levels_weight[:,2:,:,:]
out = self.expand(fused_out_reduced)
return out 結語
本文盤點了近年來比較精巧而又實用的CNN插件，希望大家活學活用，用在自己的實際項目中。
◎作者檔案