【论文精读】ConvNeXt_convnext 论文

摘要

       Vision Transformer是当前最先进的图像分类模型，但普通ViT在应用于一般计算机视觉任务（如目标检测和语义分割）时面临困难。故后来的分层Vision Transformer（如Swin Transformer）通过引入了几种卷积网络先验，使Transformer作为通用视觉骨干实际上可行，并在各种视觉任务上表现出卓越的性能。 然而，这种混合方法的有效性在很大程度上仍然归功于Transformer的内在优越性，而不是卷积的内在归纳偏差。

       本文重新审视了设计空间，并测试了纯卷积网络所能达到的极限，通过研究ConvNets和Transformer的架构区别，来找到卷积网络和ViT性能差异的关键变量。旨在弥合ConvNets和vit之间的差距，并测试纯ConvNet可以实现的极限。具体有：

• 本文从标准ResNet （如ResNet-50）开始，逐渐将卷积架构逼近到分层Vision Transformer（如Swin-T），逼近过程中发现了几个导致性能差异的关键组件。基于此提出了一个纯卷积网络家族，称为ConvNeXts
• 在ImageNet分类、COCO目标检测/分割和ADE20K语义分割任务上，纯卷积结构的ConvNeXts，在准确性、可扩展性和所有主要基准的鲁棒性方面与Transformer相当，同时ConvNeXts保持了标准ConvNets的简单性和高效性
  

       上图为ConvNeXts与ViT等在ImageNet-1K分类任务的性能对比，气泡大小正比于模型的GFLOPs。

框架

Modernizing a ConvNet: a Roadmap

       本节提供从ResNet转为ConvNeXt的轨迹，考虑两种模型大小的GFLOPs，一种是ResNet-50/Swin-T，GFLOPs约为$4.5\times 10^9$，另一种是ResNet-200/Swin-B模型，GFLOPs约为$15.0\times 10^9$。

       从一个ResNet-50模型，首先用用于训练ViT的类似训练技术来训练它，在获得了比原始ResNet-50有很大改善的结果后，以此为基线。然后研究了一系列设计策略，包括：macro design、ResNeXt、inverted bottleneck、large kernel size、various layer-wise micro designs。

       上图为从ResNet到ConvNeXt每一步所能实现的过程和结果。由于网络复杂度与最终性能密切相关，在探索过程中，GFLOPs大致被控制。所有模型都在ImageNet-1K上进行训练和评估。

Training Techniques

       本文使用了类似DeiT和Swin Transformer的训练方法训练ResNets。故ResNets的训练从最初的90个epoch扩展到300个epoch。以及使用AdamW优化器，数据增强技术，如Mixup、Cutmix、RandAugment、Random Erasing和正则化方案，包括Stochastic Depth和Label Smoothing。

       这种增强的训练方法将ResNet-50的性能从76.1％ 提高到78.8％（+2.7％），意味着传统卷积网络和Vision Transformer之间的性能差异很大一部分可能是由于训练方法。

       在之后的所有改进中，将基于此固定训练方法。报告的所有ResNet-50的精度都为由三个不同的随机种子训练的模型的精度的平均值。

Macro Design

       Swin Transformer遵循ConvNets使用多阶段结构，其中每个阶段具有不同的Feature Map分辨率。故考虑两个设计因素：每个阶段的计算占比（Stage Ratio）和Patchify Stem结构。

Changing stage compute ratio

       Swin-Transformer的骨干网络被分成了4个不同的Stage，每个Stage又是由若干个Block组成，Swin-T的Block的比例是（1,1,3,1），而对于更大的模型来说，这个比例是（1,1,9,1）。本文将ResNet-50的每个阶段的Block数从（3,4,6,3）调整到（3,3,9,3），以对齐Swin-T的GFLOPs。基于此，模型精度从78.8％提高到79.4％。

       后续的改进也将基于这个stage compute ratio。

Changing stem to “Patchify”

       由于自然图像中固有的信息冗余，卷积网络和Vision Transformer都会对输入图像进行降采样。标准ResNet中使用一个步幅为2的7 × 7卷积层及max池化的stem cell，对输入图像的4×下采样。Vision Transformer中则使用patchify策略，对应较大核尺寸的（14或16）非重叠卷积。Swin Transformer使用类似的patchify层，但其patch大小为4，以适应架构的多阶段设计。

       为了对齐Vision Transformer，本文将resnet的stem cell替换为由卷积核尺寸4 × 4，stride为4卷积层实现的patchify层。基于此，准确率从79.4％提高到79.5％。

       后续改进也将基于这个4×4卷积的patchify stem。

ResNeXt-ify

       ResNeXt因为使用了分组卷积（卷积滤波器被分成不同的组），因而比普通ResNet具有更好的GFLOPs/accuracy权衡。由于bottleneck block中的3 ×3卷积层全部采用分组卷积，显著减少了GFLOPs，因此可以通过扩展网络宽度来补偿容量损失。

       故本文的bottleneck block使用分组卷积的特殊情况深度卷积（组的数量等于通道的数量），其先将3 ×3卷积以通道为单位进行运算（深度卷积），然后再通过1×1卷积进行通道融合（点卷积）。3 ×3的深度卷积和1×1的点卷积导致了分离的空间混合和通道混合，这对齐了Vision Transformer的特性。

       基于此，ConvNeXt的GFLOPs从4.4降到了2.4，但其准确率从79.5%降到了78.3%。故根据ResNeXt中提出的策略，本文将网络宽度增加到与Swin-T相同的信道数量（从64增加到96），对应GFLOPs增加到5.3，网络性能达到80.5%。

       后续改进也将基于ResNeXt-ify。

Inverted Bottleneck

       Transformer的一个重要设计是其为中间维度小，两头维度大逆瓶颈层的架构（上图（b）），Self-Attention的维度是512，而MLP的维度是2048。逆瓶颈层由MobileNetv2普及，并在后续的卷积改进模型中相继被证明有效。

       本文的ConvNeXt也使用了逆瓶颈层的结构，虽然这导致深度卷积层的GFLOPs增加，但由于下采样残差块的1×1卷积层的GFLOPs显著减少，整个网络GFLOPs减少到4.6，而性能从80.5％提高到80.6％。

       后续改进也将基于逆瓶颈层。

Large Kernel Sizes

       Vision Transformer最独特的特性为其具有全局感受野，故本文重新审视卷积网络中大核卷积的使用。

Moving up depthwise conv layer

       要探索大型内核，首先对齐Transformer。因为Transformer的MSA块放置在MLP层之前，故本文将深度卷积层的位置进行了上移，如上图（b）到（c）。这一中间步骤将GFLOPs减少到4.1，导致性能暂时下降到79.9％。

Increasing the kernel size

       基于上述，本文实验了几种内核大小，包括3、5、7、9和11。对应的网络性能也从79.9％（3× 3）提高至80.6%（7×7），GFLOPs增加至4.2。

       此外，大核卷积的尺寸在7×7处达到饱和点，故ConvNeXt将使用核尺寸为7×7的深度卷积（上图右）。

Micro Design

       本节在微观尺度上进一步研究其它的架构差异，重点为激活函数和规一化层的选择。

Replacing ReLU with GELU

        在原始的Transformer中，ReLU也被用作激活函数。而在后续的改进工作如BERT、GPT2中采用GELU作激活函数。为了对齐上述改进，本文也用GELU代替原始ResNet的ReLU，尽管使用GELU后的精度依旧为80.6%。

Fewer activation functions

       一个Transformer块中，只有MLP块中使用了一个激活函数，而ResNet块的每个卷积层都会加一个激活函数。故本文也采用相同策略，只在ConvNeXt块的两个1×1卷积中间加一个GELU（上图右）。该方法将结果提升了0.7％至81.3％，与Swin-T的性能相当。

       后续改进的每个ConvNeXt块中都使用单个GELU激活。

Fewer normalization layers

       Transformer块通常也具有较少的规一化，故本文删除了原始ResNet块的两个BatchNorm（BN）层，只在conv 1×1层之前留下一个BN层（上图右）。这进一步将性能提高到81.4％，超过了Swin-T的结果。

Substituting BN with LN

       BatchNorm是ConvNets中的一个重要组件，因为其提高了收敛性并减少了过拟合。然而，BN可能会对模型的性能产生不利影响。而Transformer中使用了更简单的层归一化（LN），从而在不同的应用场景中具有良好的性能。 故本文在原始ResNet中用LN代替BN（上图右），这将性能提高至81.5％。

       后续改进将在每个残差块中使用一个LayerNorm作为规一化选择。

Separate downsampling layers

       在残差网络中，通常使用的是步长为2的3×3卷积或1×1卷积来进行下采样。而Swin Transformer将下采样层从其它运算中剥离开来，即使用一个步长为2的2×2卷积插入到不同的Stage之间。ConvNeXt也是采用了这个策略，并在下采样层前后各加入了一个LN，以及在最终的全局均值池化之后也加入了一个LN，这些归一化可以保持模型训练的稳定性。这将模型的准确率提升至82.0%，明显超越了过Swin-T的81.3％。

       基于上述一系列改进，最终得到了一个纯卷积网络的ConvNeXt系列模型。

实验

       本文构造了ConvNeXt几种不同变体ConvNeXt-T/S/B/L，其复杂性与Swin-T/S/B/L相似，以及一个更大的一个更大的ConvNeXt-XL。变体仅在每个阶段的通道数量C和块数量B上有所不同。如下配置：

• $ConvNeXt-T:C=(96,192,384,768),B=(3,3,9,3)$
• $ConvNeXt-S:C=(96,192,384,768),B=(3,3,27,3)$
• $ConvNeXt-B:C=(128,256,512,1024),B=(3,3,27,3)$
• $ConvNeXt-L:C=(192,384,768,1536),B=(3,3,27,3)$
• $ConvNeXt-XL:C=(256,512,1024,2048),B=(3,3,27,3)$

Settings

       实验报告了在ImageNet-1K训练和在ImageNet- 22K预训练并在ImageNet-1K微调两种策略，并报告了在ImageNet-1K验证集上的top-1精度。

Training on ImageNet-1K

       ImageNet-1K上ConvNeXts训练配置：使用AdamW 以$4e^{-3}$的学习率训练300个epoch，前20个epoch使用linear warmup，并用cosine decaying schedule，batch-size为4096，weight decay系数为0.05。数据增强采用Mixup、Cutmix、RandAugment和Random Erasing。正则化使用Stochastic Depth和Label Smoothing。还使用初始值$1e^{-6}$的Layer Scale，以及指数移动平均（EMA），这可以减轻了较大模型的过拟合。

Pre-training on ImageNet-22K

       ImageNet- 22K上ConvNeXts预训练配置：总共进行了90个epoch的预训练，并warmup了5个epoch，不使用EMA。其他设置遵循ImageNet-1K训练配置。

Fine-tuning on ImageNet-1K

       在ImageNet-1K上对ImageNet-22K预训练模型微调配置：使用AdamW 以$5e^{-5}$的学习率进行了30个epoch的微调，并采用了cosine decaying schedule，layer-wise learning rate decay，无warmup，batch-size为512，weight decay系数为$1e^{-8}$。默认的预训练、微调和测试分辨率是$224^2$，此外，还对ImageNet-22K和ImageNet-1K预训练模型进行了更大的分辨率为$384^2$的微调。

Results

ImageNet-1K

       上表（上）显示了与DeiT和Swin Transformer以及RegNets、EfficientNets 和EfficientNetsV2的比较结果。观察到，ConvNeXts在精度/计算权衡以及推理吞吐量方面与RegNet和EfficientNet相当。ConvNeXts全面优于类似计算复杂度的Swin Transformer，在没有特殊模块（如移动窗口或相对位置偏差）的情况下，ConvNeXts与Swin Transformer相比具有更高的吞吐量。

       $384^2$ 分辨率的ConvNeXt-B比Swin-B提高了0.6％（85.1％vs. 84.5％），但推理吞吐量提高了12.5％（95.7 vs. 85.1）。当进一步扩展到ConvNeXt-L时，观察到85.5％的改进结果。

ImageNet-22K

       上表（下）显示了从ImageNet- 22K预训练中微调的模型的结果。观察到，当用大型数据集进行预训练时，正确设计的卷积网络并不逊色于Vision Transformer，ConvNeXts的性能仍然与类似大小的Swin Transformer相当或更好，且吞吐量略高。

       此外，ConvNeXt-XL模型在$384^2$分辨率时达到了87.8％的准确率，比ConvNeXt-L有了更大的改进，表明ConvNeXts是可扩展的架构。

       在ImageNet-1K上，配备了高级模块（如Squeeze-and-Excitation）和渐进式训练程序的搜索架构（EfficientNetV2-L）取得了最佳性能。然而，通过ImageNet- 22K预训练，ConvNeXt能够超过EfficientNetV2，进一步证明了大规模训练的重要性。

Isotropic ConvNeXt vs. ViT

       本实验检查了ConvNeXt的块设计是否可泛化为vit风格的各向同性架构（没有下采样层，所有深度保持相同的特征分辨率）。故使用与ViT-S/B/L相同的特征维度（384/768/1024）构建了各向同性ConvNeXt-S/B/L，相应深度设置为18/18/36，以匹配参数和GFLOPs的数量，块结构保持不变。并使用了DeiT的ViT-S/B和MAE的ViT-L作为对比结果。ConvNeXt模型使用与之前相同的设置进行训练，但具有更长的warmup。

       结果如上图，观察到ConvNeXt的表现通常与ViT相当，表明ConvNeXt模块设计在非层次模型中使用时是有竞争力的。

Empirical Evaluation on Downstream Tasks

Object detection and segmentation on COCO

       本实验使用ConvNeXt作为backbone在COCO数据集上微调Mask R-CNN和Cascade Mask R-CNN。

       结果如上表，比较Swin Transformer、ConvNeXt和传统卷积网络（如ResNeXt）的目标检测和实例分割结果。观察到，在不同的模型复杂性中，ConvNeXt实现了与Swin Transformer相当或更好的性能。当扩展到在ImageNet-22K上预训练的更大的模型（ConvNeXt-B/L/XL）时，ConvNeXt在box和mask AP方面明显优于Swin Transformer （+1.0 AP）。

Semantic segmentation on ADE20K

       上表为用UperNet 在ADE20K语义分割任务上的评估结果，所有模型变体都进行了160K的epoch训练，batch-size为16，并报告了使用多尺度测试的mIoU。观察到，ConvNeXt实现有竞争力的性能，进一步验证了该架构的有效性。

Appendix

Experimental Settings

ImageNet (Pre-)training

       上表为ConvNeXts的ImageNet-1K训练和ImageNet-22K预训练详细设置，除了随机深度率，所有ConvNeXt变体都使用相同的设置。

       各向同性ConvNeXts同样采用上表中ImageNet-1K的设置，但warmup扩展到50个epoch，各向同性ConvNeXt-S/B禁用了layer scale，各向同性ConvNeXt-S/B/L的随机深度比为0.1/0.2/0.5。

ImageNet Fine-tuning

       上表列出了在ImageNet-1K数据集上进行微调的设置。除ConvNeXt-L外，微调都从预训练中获得的最终模型权重开始。ConvNeXt-L使用在预训练期间其最佳的EMA模型作为微调的起点。

Downstream Tasks

       对于ADE20K和COCO实验，本文遵循BEiT和Swin中使用的训练设置，还使用了MMDetection和MMSegmentation工具箱。下游任务使用了ImageNet预训练的最终模型权重（而不是EMA权重）作为网络初始化。

       对于COCO目标检测实验，超参数扫描包括学习率 { 1 e − 4 , 2 e − 4 } \{1e^{-4},2e ^{-4}\} {1e−4,2e−4}，layer-wise learning rate decay { 0.7 , 0.8 , 0.9 , 0.95 } \{0.7, 0.8, 0.9, 0.95\} {0.7,0.8,0.9,0.95}，和stochastic depth rate { 0.3 , 0.4 , 0.5 , 0.6 , 0.7 , 0.8 } \{0.3,0.4,0.5,0.6,0.7,0.8\} {0.3,0.4,0.5,0.6,0.7,0.8}。对ImageNet-22K预训练Swin-B/L也是用相同配置进行微调，并使用了官方代码和预训练的模型权重。

       对于ADE20K目标分割实验，超参数扫描包括学习率 { 8 e − 5 , 1 e − 4 } \{8e^{- 5},1e^{-4} \} {8e−5,1e−4}、layer-wise learning rate decay { 0.8 , 0.9 } \{0.8,0.9\} {0.8,0.9}和stochastic depth rate { 0.3 , 0.4 , 0.5 } \{0.3,0.4,0.5\} {0.3,0.4,0.5}。报告了使用多尺度测试的mIoU结果，其他单尺度测试结果见上表。

Robustness Evaluation

       上表为ConvNeXts和其他模型的鲁棒性评估结果。本实验在几个鲁棒性基准数据集（ImageNet-A、ImageNet-R、 ImageNet-Sketch和ImageNet-C/ ¯C数据集）上测试了ImageNet-1K训练/微调的分类模型，并报告了ImageNet-C的平均损坏误差（mCE），ImageNet- ¯C的损坏误差，以及所有其他数据集的top-1精度。

       观察到，ConvNeXts（特别是大规模模型变体）表现出很好的鲁棒性，在几个基准上超过了最先进的鲁棒Transformer模型。通过额外的ImageNet-22K数据预训练，ConvNeXt-XL展示了强大的域泛化能力（分别在ImageNet-A/R/Sketch基准上实现了69.3％/68.2％/55.0％的精度）。

Modernizing ResNets: detailed results

       上述两表为在ResNet-50/Swin-T和ResNet-200/Swin-B逐步改进到ConvNeXt-T/B的过程中，每个步骤的ImageNet-1K top-1精度和GFLOPs。ResNet-50模型使用3个随机种子进行实验。

       ResNet-200每个阶段的初始块数是（3,24,36,3），在改变阶段比例后，其各阶段块数更改为Swin-B的（3,3,27,3）。这大大减少了计算量，因此同时将其宽度从64增加到84，以保持计算量保持在一个相似的水平。在采用深度卷积的步骤之后，其宽度进一步增加到128（与Swin-B相同）。

       观察到，ResNet-200模式下的结果与ResNet-50模式下的结果基本一致。在ResNet-200中，inverting dimensions带来的改进比在ResNet-50中更大（+0.79％vs. +0.14％）。增加核大小所获得的性能在核大小为5而不是7时达到饱和。 与ResNet-50模式相比，使用更少的规一化层也有更大的增益（+0.46％vs. +0.14％）。

Detailed Architectures

       上表为ResNet-50、ConvNeXt-T和Swin-T之间的详细架构比较。

Benchmarking on A100 GPUs

       使用V100 GPU在ImageNet上进行推理吞吐量基准测试时， ConvNeXts在推理方面比具有相似参数数量的Swin Transformer略快。本节在更先进的A100 GPU上重复该基准测试。

       结果如上表。Swin Transformer和ConvNeXts都实现了比在V100 GPU上更快的推理吞吐量，但ConvNeXts的优势明显更大，有时快49％。

reference

Liu, Z. , Mao, H. , Wu, C. Y. , Feichtenhofer, C. , Darrell, T. , & Xie, S. . (2022). A convnet for the 2020s. arXiv e-prints.