DeepLabV3+(tensorflow)工程应用系列（四）—— Xception网络结构解析_xception65网络

一、论文介绍

论文下载地址：Xception: Deep Learning with Depthwise Separable Convolutions（2017）.

论文主要内容：该论文是对【Inception-V3】网络的改进，添加了深度可分离卷积（Depthwise Separable Convolutions）以及残差连接模块（residual connection），在此基础上构成了【Xception】网络结构。整体的网络结构如下图所示（注意：下图是论文中的截图，展示的是Xception-41 结构，而DeepLab-V3+应用的是Xception-65，结构不同）：

二、Inception模块回顾

在 Inception 模块中，通过 1 × 1卷积，3 × 3卷积，5 × 5卷积，pooling 等卷积单元组合在一起进行特征提取。Inception 结构将特征的选择留给网络自己训练，也就是将一个输入同时输给几种提取特征方式，然后做 concat 。Inception-v3的基本模块如下图所示：

通过去除【Avg Pool】，简化的【Inception】模块如下图所示：

再将【Figure2】进一步延伸，得到【Figure3】。对于一个输入，先用统一的【1x1】卷积核卷积，然后连接3个【3x3】的卷积，这3个卷积操作只将前面【1x1】卷积结果中的一部分作为自己的输入（这里是将1/3 channel 作为每个【3x3】卷积的输入），具体见下图所示：

上述【Inception】模块的变化，我们会有这样的疑问：经过【1x1】卷积后得到特征图的通道数量或者尺寸具有怎样的影响？我们进行这样强烈的假设，或者说是【Inception】模块的假设，即交叉通道的相关性和空间的相关性（cross-channel correlations and spatial correlations）是否可以分开考虑？

基于上述强烈的独立性假设，一种极端的【Inception】模块，得到【Figure4】的变化形式，也就是【3x3】卷积的个数和【1x1】卷积的输出 channel 个数一样，每个【3x3】卷积都是和输入的一个 channel 做卷积。这种形式的模块比较接近深度可分离卷积了，具体如下图所示：

三、深度可分离卷积解析

  卷积神经网络在图像处理中的地位已然毋庸置疑。大量卷积运算的叠加具备强大的特征提取能力、相比全连接又消耗更少的参数，应用在图像这样的二维结构数据中有着先天优势。然而受限于目前移动端设备硬件条件，显著降低神经网络的运算量依旧是网络结构优化的目标之一。本文所述的【Separable Convolution】就是降低卷积运算参数量的一种典型方法。

常规卷积运算

假设输入层为一个大小为64×64像素、三通道彩色图片。经过一个包含4个Filter的卷积层，最终输出4个Feature Map，且尺寸与输入层相同。整个过程可以用下图来概括：

此时，卷积层共4个Filter，每个Filter包含了3个Kernel，每个Kernel的大小为3×3。因此卷积层的参数数量可以用如下公式来计算：

N_std = 4 × 3 × 3 × 3 = 108
1

深度可分离卷积

深度可分离卷积【Separable Convolution】在 Google 的Xception[1]以及MobileNet[2]论文中均有描述。它的核心思想是将一个完整的卷积运算分解为两步进行，分别为【Depthwise Convolution】与【Pointwise Convolution】。

1. Depthwise Convolution
   同样是上述例子，一个大小为64×64像素、三通道彩色图片首先经过第一次卷积运算，不同之处在于此次的卷积完全是在二维平面内进行，且Filter的数量与上一层的Depth相同。所以一个三通道的图像经过运算后生成了3个Feature map，如下图所示：
   
   其中一个Filter只包含一个大小为3×3的Kernel，卷积部分的参数个数计算如下：

   N_depthwise = 3 × 3 × 3 = 27
   1

   【Depthwise Convolution】完成后的 feature map 数量与输入层的 depth 相同，但是这种运算对输入层的每个 channel 独立进行卷积运算后就束了，没有有效的利用不同 map 在相同空间位置上的信息。因此需要增加另外一步操作来将这些 map 进行组合生成新的 Feature map，即接下来的【Pointwise Convolution】。

2. Pointwise Convolution
   【Pointwise Convolution】的运算与常规卷积运算非常相似，不同之处在于卷积核的尺寸为【1×1×M】，M为上一层的【depth】。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature map。有几个Filter就有几个Feature map。如下图所示：
   
   由于采用的是1×1卷积的方式，此步中卷积涉及到的参数个数可以计算为：

   N_pointwise = 1 × 1 × 3 × 4 = 12
   1

   经过【Pointwise Convolution】之后，同样输出了4张 Feature map，与常规卷积的输出维度相同。

3. 参数对比
   回顾一下，常规卷积的参数个数为：

   N_std = 4 × 3 × 3 × 3 = 108
   1

   【Separable Convolution】的参数由两部分相加得到：

   N_depthwise = 3 × 3 × 3 = 27
   N_pointwise = 1 × 1 × 3 × 4 = 12
   N_separable = N_depthwise + N_pointwise = 39
   1
   2
   3

   相同的输入，同样是得到4张Feature map，【Separable Convolution】的参数个数是常规卷积的约1/3。因此，在参数量相同的前提下，采用Separable Convolution的神经网络层数可以做的更深。

四、DeepLab-V3+中的Xception-65

主要分为3部分：输入数据依次通过【Entry flow】=> 【Middle flow】=> 【Exit flow】，得到最终的结果。

1. Entry flow
   【Entry flow】整体结构如下图所示，网络的输入为：【？x 513 x 513 x 3】，包含两层普通卷积（3x3x3x32，3x3x32x64）+ block1 + block2 + block3，下图是tensorboard展示的网络结构图：
   

   每一个【block】的结构如下图所示，如图红色圆圈所示，每个【block】总共有 3 个深度可分离卷积层，并且添加残差连接通道，具体如下图所示：

   
   每个深度可分离卷积层的结构为【depthwise + BN】+ 【pointwise + BN】 。先用【3 x 3】卷积进行通道上的分离计算，然后使用【1 x 1】卷积将特征进行合并，并且都有添加【BN】层，具体如下图所示，可以对比上面深度可分离卷积的原理进行理解：
   

2. Middle flow
   该模块总共有16个单元，每一个单元的结构与【Enty flow】的一个【block】结构一样，差别是卷积核的数量不一样
   

3. Exit flow
   该模块有2个【block】，【block1】与上面的结构一样，【block2】唯一不同的就是没有残差连接，见下图所示：
   

五、参考链接

1. https://yinguobing.com/separable-convolution/#fn2（写的非常好）
2. https://blog.csdn.net/u014380165/article/details/75142710