CNN backbone 总结笔记_backbone dcn

算是一篇梳理backbone的总结笔记，前面部分不少内容都是照搬 reference 2 的，稍微总结了一下里面的内容，后面增加了其中遗漏的以及今年新出的网络（FPN，Hourglass，ResNeXt，DCN，DPN，SENet，MobileNet v3），用了很多网图，联系侵删；

Reference: 

1. https://arxiv.org/pdf/1908.03673.pdf，19年8月的目标检测硬核综述；

2. https://www.cnblogs.com/silence-cho/p/11620863.html，backbone总结的很细致了，强烈推荐；

下图是目标检测的发展历程，可以看到其中backbone对于其发展起到了至关重要的作用，大多数milestone都有在backbone上有新的创新。

其发展方向主要有三种类型：

1. 深度：网络层数增加，VGG -> ResNet -> ResNeXt

2. 模块化：GoogLeNet系列，ResNeXt（Inception 结构）

3. 轻量：MobileNet系列，ShuffleNet；

一些比较早的网络结构大致了解一下即可。

---

• LeNet-5：
  • 结构简单，主要是卷积和全连接；

---

• AlexNet：
  • 分为上下两部分卷积，因算力不足分别放在两块GPU上；
  • 使用ReLU替代Sigmoid，有效缓解了梯度消失问题；
  • 使用局部相应归一化；
  • 使用数据增广和dropput防止过拟合；

---

• ZFNet：
  • 将AlexNet起始的卷积由（11x11，stride 4）修改为 （7x7，stride 2）
  • 增加中间卷积核的通道数；

---

•  VGGNet：
  • 结构简洁，5层卷积，3个全连接，softmax作为输出，层之间用max-pooling分开，隐层采用ReLU激活函数；
  • 采用小卷积核（3x3）和多卷积核，减少参数也增加了非线性映射（增强表达能力）；
  • 结论：局部响应归一化无增益；网络层数加深性能变好；多个小卷积核由于单个大卷积核；

---

• GoogLeNet（Inception） v1：
  • 引入inception结构，性能和vgg差不多但参数量少很多：既保持网络结构的稀疏性（减少参数，减轻过拟合），又能利用密集矩阵的高计算你性能，Inception网络结构的主要思想是寻找用密集成分来近似最优局部稀疏连接；
  • 加深的基础上加宽，使用稀疏的网路结构又能产生稠密的数据；
  • 采用不同大小的卷积核获得不同大小的感受野，最后在channel上拼接实现不同尺度特征融合；
  • 采用1x1卷积接一个ReLU，既减少计算量增加了非线性能力；
  • 采用 average pool 替代全连接层；

---

• GoogLeNet（Inception） v2：
  • 用两个3*3卷积代替一个5*5卷积，降低参数量；
  • 将滤波器大小nxn的卷积分解为1xn和nx1卷积的组合（7x7卷积相当于首先执行1x7卷积，然后在其输出上执行7x1卷积（在中度大小的特征图上效果较好，featuremap size 在12-20之间）；
  • 将池化和卷积并行执行再合并，保持特征表示并降低计算量；

---

• GoogLeNet（Inception） v3：
  • 采用 RMSProp优化器；
  • Factorization into small convolution： 将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），加速计算同时加深网络，提高非线性表达能力；
  • 辅助分类器中使用 BN；
  • 采用 label smoothing，防止过拟合；

---

• GoogLeNet（Inception） v4：
  • 利用 ResNet 来改进 v3，得到 Inception-ResNet-v1，Inception-ResNet-v2，Inception-v4网络；

---

• ResNet：
  • 传统网络 y = f(x)，ResNet Block公式为：y = f(x) + x，一来其导数比传统网络加了1，即使原导数很小也可以保证梯度不消失；二是引入恒等映射，解决了网络深度增加带来的网络退化问题；
  • 第一个卷积层采用了7*7的大卷积核，更大的感受野，获取图片更多的初始特征；
  • 短路连接中，输入和输出维度不一致时采用步长为2的卷积来减小维度尺寸；

---

• DenseNet： 
  • 采用shortcut连接，与ResNet一致，但是是将前面所有层与后面层密集连接（dense connection）；
  • 采用channel concatenate来实现特征重用（代替ResNet的Element-wise addition）；
  • Transition layer主要是用来降低feature map的尺寸，将来自不同层的feature map变化为同等尺寸后进行concatenate：Transition Layer = BN + ReLU + 1x1 Conv + 2x2 Average Pool；
  • 密集连接提升了梯度的反向传播，使得网络更容易训练 （每层可以直达最后的误差信号）；
  • 参数更小且计算更高效 （concatenate来实现特征复用，计算量很小）；
  • 特征复用，分类器使用到了低级特征；
  • 需要较大的显存才能运行（所有层都需存储）；

---

• 轻量级网络：
  • 优化结构：ShuffleNet；
  • 减少参数：SqueezeNet；
  • 优化卷积计算：MobileNet，Winograd；
  • 删除全连接层：SqueezeNet，LightCNN；

---

•  SqueezeNet：
  • 多使用1*1的卷积，少使用3*3的卷积，减少参数量；
  • 3*3卷积采用更少的channel数；
  • 降采样后置，即推迟使用Pooling，从而增加感受野，尽可能多的获得feature；
  • 网络基础单元是 Fire Module，多个 fire module 堆叠，结合pooling组成SqueezeNet；
  • Fire Module又包括 squeeze layer（主要是1*1的卷积，对网络channel进行压缩）和 Expand layer （1*1的卷积和3*3的卷积进行concat）：

---

• MobileNet v1：
  • 主要压缩策略是深度可分离卷积(Depthwise separable Convolution)：深度卷积（depthwise conv） + 逐点卷积（pointwise conv）；
  • 深度卷积（下图一）： 对每一通道单独进行卷积操作，得到和输入特征图通道数一致的输出特征图；
  • 逐点卷积（下图二）：即1*1的卷积，对深度卷积得到的特征图进行升维；
  • 深度可分离卷积单元相比传统卷积多一个ReLU6激活函数和1x1卷积层（下图三）；
  • 假设图像尺寸 H x W x D，卷积核 N x K x K x C，传统卷积计算量： H x W x N x K x K x C；深度可分离卷积计算量：H x W x K x K x D（depthwise conv） + N x H x W x C （pointwise conv）；参数量是传统卷积的 ；

     

---

• MobileNet v2：
  • 引入 linear bottleneck：在 MobileNet v1 训练是容易出现卷积层参数为空的现象，这是由于对低维度做ReLU运算容易造成信息丢失，反之高维度信息丢失就很少，因此去掉卷积之后的最后一个ReLU6函数换成 linear 即得到 linear bottleneck（本身模型参数不多，ReLU使得部分参数为0就更难以学到信息）；
  • 引入 inverted residuals：在深度卷积之前使用 1x1 卷积进行升维（升维倍数为t，默认 t = 6），再在一个更高维的空间中进行卷积操作来提取特征，随后再进行降维，inverted residual: 升维 + 卷积 + 降维，刚好和 resnet 的操作相反（因为本身初始的channel就很少，所以不适合先降维再升维）；

---

• MobileNet v3：
  • # TODO，NAS相关，待补；

---

• ShuffleNet v1：
  • 主要压缩思路是 group convolution 和 channel shuffle；
  •  group convolution（分组卷积 、 群卷积）：将输入特征图按通道数分为几组，然后采用不同的卷积核再对各个组进行卷积，可以降低计算量（常规卷积在所有通道上进行卷积，群卷积算是一种稀疏卷积）；
  • channel shuffle（通道混洗）：群卷积不同组之间的特征图信息不通信，不利于提取特征；而MobileNet是采用密集的1x1 pointwise convolution进行通道特征融合，计算量较大；channel shuffle 的思路是对群卷积之后的特征图顺序打乱重排，这样下一个群卷积的输入就来自不同的组，信息可以在不同组之间流转；
  • 图三（a）: Bottleneck with DW Conv;  （b）：ShuffleNet Unit with GConv + Channel Shuffle； （c）：ShuffleNet unit with stride = 2；
  • 群卷积：减少计算量；1x1 卷积：维度融合； 1x1 群卷积：快速维度融合； 
  • 与ResNet共同之处：都使用 skip connection（1x1-3x3-1x1）；不同之处：使用深度卷积（DConv）；
  • 与MobileNet v2共同之处：使用深度卷积（1x1-3x3-1x1），两种bottlenecks；不同之处：使用1x1 GConv，若有FC层则使用ReLU激活函数；

 

---

• ShuffleNet v2：
  • 给出了4条guidelines：
    • ​​​​​​​ 卷积层的输入和输出特征通道数相等时MAC（memory access cost）最小，此时模型速度最快；
    • 过多的群卷积操作会增大MAC，从而使模型速度变慢；
    • 模型中的分支数量越少，模型速度越快；
    • element-wise操作所带来的时间消耗远比在FLOPs上的体现的数值要多，因此要尽可能减少element-wise操作；
  • channel split然后concat，保证输入输出channel一致；
  • 去掉1*1的分组卷积(channel split相当于分组了)；
  • channel split和将channel shuffle移动到后面；
  • 利用concat代替 element-wise add；

---

---

• FPN：
  • ​​​​​​​同时兼顾高层语义信息和低层位置信息；
  • 不同尺度特征融合对大目标和小目标都可以更好的提取相应的特征；
  • bottom-up和top-down尺寸相同的特征图对应相加（如果维度不同，使用 1x1 卷积调整维度后相加）

​​​​​​​

---

• Hourglass（用于人体关键点估计）
  • 使用多尺度特征，捕捉人体各关节点的空间位置信息；
  • 网络结构形似沙漏状，重复使用top-down到bottom-up（论文使用了8个沙漏结构）来推断人体的关节点位置；
  • 中继监督训练，对每一个hourglass模块都添加loss，这就相当于是8个loss一起监督；
  • 整个hourglass不改变特征的尺度，只改变特征的深度；

​​​​​​​

---

• R-FCN：
  • ​​​​​​​在共享卷积层的最后一层网络上接上一个卷积层，而该卷积层就是位置敏感得分图 position-sensitive score map；
  • ROl 的 K*K i个子区域在各个类别的score maps上每个子区域的响应值，就是通过位置敏感Rol池化操作（Position-sensitive RoI pooling）找到的；
  • 在ResNet的共享卷积层的最后一层上面连接一个与position-sensitive score map并行的score maps （维度 4*K*K ）用来进行regression操作；
  • 和Faster R-CNN相比，R-FCN具有更快的运行速度（2.5倍以上），稍微提高了一点检测精度，在速度和准确率之间进行了折中；

---

• ResNeXt：
  • ​​​​​​​不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量；
  • 采用 VGG 堆叠的思想和 Inception 的 split-transform-merge 思想，可扩展性比较强；
  • cardinality（the size of the set of transformations），即下图中的C，增加 cardinality 比增加深度和宽度更有效；
  • 算法流程：splitting，transforming和aggregating，实际实现过程中是 1x1 卷积降维 -> 3x3 群卷积 -> 1x1 升维；

​​​​​​​​​​​​​​

---

• DCN（Deformable Convolution Network）：
  • Deformable Convolution & Deformable RoI Pooling 解决思路是让​​​​​​​传统的Convolution和RoI Pooling操作能够“自动形变”，通过给传统卷积采样点加offsets的方式来获得新的采样点；
  • 下图右侧的offset field就是变形卷积外加的待训练参数，大小和输入的 feature map 一致，卷积窗口在offset field上滑动就呈现了卷积像素偏移的效果，达到采样点优化的效果；若使用3*3的卷积核，则输入的 feature map 通过卷积生成一个新的channel 数为 2*3*3 的 feature map（大小不变），分别代表不同方向上x, y的offset值；
  • 若 pooling 的目标为一个 3*3 的featrue map，那么就需要 2×3×3 个偏置对应每一个bin，首先将输入的featrue map进行roi pooling为3*3大小的feature，然后通过全连接，输出为每一个bin（输出feature map大小决定bin个数）对应的offset。同时为了保证采样大小，需要对offset进行normalization。

​​​​​​​

---

• DPN（Dual Path Networks）：
  • ​​​​​​​融合了ResNeXt和DenseNet的核心思想：short-connection结构，group convolution，跨层连接；

---

• RetinaNet（Focal Loss for Dense Object Detection）
  • 不算是backbone里的了，但是算是OD中比较重要的一篇，提出one stage精确度不足的重要原因有class imbalance；
  • two stage模型大多会对bg与fg预分类, 因此bg数量不会远大于fg数量, 而one stage模型为了提升速度舍弃了proposal过程, 因此大多数模型也谈不上预分类问题,这样虽然速度提升并且使用交叉熵, 但往往还是由于easy sample数目远大于hard sample,  以至于easy sample的loss统治整体loss；
  • 此前，OHEM（Online Hard Example Mining）直接舍弃部分easy example, 毫无疑问会导致数据残缺, 进而影响结果；
  • focal Loss只是交叉熵的变种，它会引入一个惩罚因子降低分类比较好的损失，达到样本均衡效果；
  • RetinaNet如下图，左半部分就是FPN，右半边分了上下两个权值不共享的卷积网络, 一个是用来分类，另一个是用来anchor box 回归；

---

• RefineNet：
  • ​​​​​​​结构类似 Unet，利用了ResNet网络，在四种不同的下采样阶段中，将特征图输入到refineNet模块中，产生融合后的特征图。除了refineNet4之外，每一个refineNet模块都有两个输入，一个是本阶段的特征图，另一个是低层产生的经过处理的特征图，这样随着下采样的进行，语义信息也逐渐丰富，最终得到的得分图，经过上采样操作恢复原有图片大小；

---

---

• SENet：
  • ​​​​​​​网络根据loss去学习特征权重，使得有效的feature map权重大，无效或效果小的feature map权重小的方式训练模型达到更好的结果。
  • Squeeze 操作将每个二维的特征通道变成一个实数，这个实数某种程度上具有全局的感受野；
  • Excitation 操作类似于RNN中门机制，通过参数 w 来为每个特征通道生成权重，其中参数 w 被学习用来显式地建模特征通道间的相关性；
  • Reweight 操作将 Excitation 的输出的权重看做是进过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定；

---

• NASNet：
  • 基于NAS，不是很了解，待填坑；

---

---

• EfficientNet（也是大厂才有可能做出来的产物，后面有空再补吧）：
  • ​​​​​​​总结了三种网络调节方式：增大感受野w，增大网络深度d，增大分辨率大小r，对应下图（b,c,d）；
    • 1，在r和w大小不变的情况下，随着d的增大，准确率没有太大的差异；
    • 2，在d和w不变的情况下，随着r的增大，准确率有较大提升；
    • 3，r和d不变的情况下，随着w的增大，准确率先有较大提升，然后趋于平缓，往后在无太大提升；
  • 将网络复合系数的确定转为如下的优化问题：
    • 
    • H, W 为卷积核大小，C 为通道数，X 为输入 tensor；
  • 约束条件：
    • ​​​​​​​

---

• DetNAS：
  • 同上，占个坑吧；