本文旨在通過充分利用卷積探索一種更高效的編碼空域特征的方式：通過組合ConvNet與ViT的設(shè)計(jì)理念，本文利用卷積調(diào)制操作對(duì)自注意力進(jìn)行了簡化，進(jìn)而構(gòu)建了一種新的ConvNet架構(gòu)Conv2Former。ImageNet分類、COCO檢測以及ADE20K分割任務(wù)上的實(shí)驗(yàn)結(jié)果表明：所提Conv2Former取得了優(yōu)于主流ConvNet(如ConvNeXt)、ViT（如Swin Transformer）的性能。

本文方案

上圖給出了本文方案架構(gòu)示意圖，類似ConvNeXt、SwinT，Conv2Former采用了金字塔架構(gòu)，即含四個(gè)階段、四種不同尺寸的特征，相鄰階段之間通過Patch Embedding模塊(其實(shí)就是一個(gè)卷積核與stride均為的卷積)進(jìn)行特征空間分辨率與通道維度的惡變換。下表給出了不同大小Conv2Former的超參配置，

核心模塊

上圖給出了經(jīng)典模塊的架構(gòu)示意圖，從經(jīng)典的殘差模塊到自注意力模塊，再到新一代卷積模塊。自注意力模塊可以表示為如下形式：

盡管注意力可以更好的編碼空域相關(guān)性，但其計(jì)算復(fù)雜性隨N而爆炸性增長。

本文則旨在對(duì)自注意力進(jìn)行簡化：采用卷積特征對(duì)V進(jìn)行調(diào)制。假設(shè)輸入，所提卷積調(diào)制模塊描述如下：

需要注意的是：上式中表示Hadamard乘積。上述卷積調(diào)制模塊使得每個(gè)位置的元素與其近鄰相關(guān)，而通道間的信息聚合則可以通過線性層實(shí)現(xiàn)。下面給出了該核心模塊的實(shí)現(xiàn)代碼。

classConvMod(nn.Module):
def__init__(self,dim):
super().__init__()
self.norm=LayerNorm(dim,eps=1e-6,data_format='channel_first')
self.a=nn.Sequential(
nn.Conv2d(dim,dim,1),
nn.GELU(),
nn.Conv2d(dim,dim,11,padding=5,groups=dim)
)
self.v=nn.Conv2d(dim,dim,1)
self.proj=nn.Conv2d(dim,dim,1)

defforward(self,x):
B,C,H,W=x.shape
x=self.norm(x)
a=self.a(x)
v=self.v(x)
x=a*v
x=self.proj(x)
returnx

微觀設(shè)計(jì)理念

Larger Kernel than 如何更好的利用卷積對(duì)于CNN設(shè)計(jì)非常重要！自從VGG、ResNet以來，卷積成為ConvNet的標(biāo)準(zhǔn)選擇；Xception引入了深度分離卷積打破了該局面；再后來，ConvNeXt表明卷積核從3提升到7可以進(jìn)一步改善模型性能。然而，當(dāng)不采用重參數(shù)而進(jìn)一步提升核尺寸并不會(huì)帶來性能性能提升，但會(huì)導(dǎo)致更高計(jì)算負(fù)擔(dān)。

作者認(rèn)為：ConvNeXt從大于卷積中受益極小的原因在于使用空域卷積的方式。對(duì)于Conv2Former，從到，伴隨核尺寸的提升可以觀察到Conv2Former性能一致提升。該現(xiàn)象不僅發(fā)生在Conv2Former-T()，同樣在Conv2Former-B得到了體現(xiàn)()。考慮到模型效率，作者將默認(rèn)尺寸設(shè)置為。

Weighting Strategy 正如前面圖示可以看到：作者采用Depthwise卷積的輸出對(duì)特征V進(jìn)行加權(quán)調(diào)制。需要注意的是，在Hadamard乘積之前并未添加任務(wù)規(guī)范化層(如Sigmoid、)，而這是取得優(yōu)異性能的重要因素(類似SENet添加Sigmoid會(huì)導(dǎo)致性能下降超0.5%)。

Normalization and Activations 對(duì)于規(guī)范化層，作者參考ViT與ConvNeXt采用了Layer Normalization，而非卷積網(wǎng)絡(luò)中常用的Batch Normalization；對(duì)于激活層，作者采用了GELU(作者發(fā)現(xiàn)，LN+GELU組合可以帶來0.1%-0.2%的性能提升)。

本文實(shí)驗(yàn)

上述兩表給出了ImageNet分類任務(wù)上不同方案的性能對(duì)比，從中可以看到：

• 在tiny-size(<30M)方面，相比ConvNeXt-T與SwinT-T，Conv2Former-T分別取得了1.1%與1.7%的性能提升。值得稱道的是，Conv2Former-N僅需15M參數(shù)量+2.2GFLOPs取得了與SwinT-T(28M參數(shù)量+4.5GFLOPs)相當(dāng)?shù)男阅堋?/p>

• 在base-size方面，相比ConvNeXt-B與SwinT-B，Conv2Former-B仍取得了0.6%與0.9%的性能提升。

• 相比其他主流模型，在相近大小下，所提Conv2Former同樣表現(xiàn)更優(yōu)。值得一提的是，相比EfficientNet-B7，Conv2Former-B精度稍有(84.4% vs 84.3%)，但計(jì)算量大幅減少(15G vs 37G)。

• 當(dāng)采用ImageNet-22K預(yù)訓(xùn)練后，Conv2Former的性能可以進(jìn)一步提升，同時(shí)仍比其他方案更優(yōu)。Conv2Former-L甚至取得了87.7% 的優(yōu)異指標(biāo)。

采用大核卷積是一種很直接的輔助CNN構(gòu)建長程相關(guān)性的方法，但直接使用大核卷積使得所提模型難以優(yōu)化。從上表可以看到：當(dāng)不采用其他訓(xùn)練技術(shù)(如重參數(shù)、稀疏權(quán)值)時(shí)，Conv2Former采用時(shí)已可取得更好的性能；當(dāng)采用更大的核時(shí)，Conv2Former取得了進(jìn)一步的性能提升。

上表給出了COCO檢測任務(wù)上不同方案的性能對(duì)比，從中可以看到：

• 在tiny-size方面，相比SwinT-T與ConvNeXt-T，Conv2Former-T取得了2% 的檢測指標(biāo)提升，實(shí)例分割指標(biāo)提升同樣超過1%；

• 當(dāng)采用Cascade Mask R-CNN框架時(shí)，Conv2Former仍具有超1%的性能提升。

• 當(dāng)進(jìn)一步增大模型時(shí)，性能優(yōu)勢則變得更為明顯；

上表給出了ADE20K分割任務(wù)上的性能對(duì)比，從中可以看到：

• 在不同尺度模型下，Conv2Former均具有比SwinT與ConvNeXt更優(yōu)的性能；

• 相比ConvNeXt，在tiny尺寸方面性能提升1.3%mIoU，在base尺寸方面性能提升1.1%；

• 當(dāng)進(jìn)一步提升模型尺寸，Conv2Former-L取得了54.3%mIoU，明顯優(yōu)于Swin-L與ConvNeXt-L。

一點(diǎn)疑惑解析

到這里，關(guān)于Conv2Former的介紹也就結(jié)束了。但是，心里仍有一點(diǎn)疑惑存在：Conv2Former與VAN的區(qū)別到底是什么呢？關(guān)于VAN的介紹可參考筆者之前的分享：《優(yōu)于ConvNeXt，南開&清華開源基于大核注意力的VAN架構(gòu)》。

先來看一下兩者的定義，看上去兩者并無本質(zhì)上的區(qū)別(均為點(diǎn)乘操作)，均為大核卷積注意力。

• VAN：

• Conv2Former

結(jié)合作者開源代碼，筆者繪制了上圖，左圖為Conv2Former核心模塊，右圖為VAN核心模塊。兩者差別還是比較明顯的！

• 雖然大核卷積注意力均是其核心，但Conv2Former延續(xù)了自注意力的設(shè)計(jì)范式，大核卷積注意力是其核心；而VAN則是采用傳統(tǒng)Bottleneck設(shè)計(jì)范式，大核卷積注意力的作用類似于SE。

• 從大核卷積內(nèi)在機(jī)理來看，Conv2Former僅考慮了的空域建模，而VAN則同時(shí)考慮了空域與通道兩個(gè)維度；

• 在規(guī)范化層方面，Conv2Former采用了Transformer一貫的LayerNorm，而VAN則采用了CNN一貫的BatchNorm;

• 值得一提的是：兩者在大核卷積注意力方面均未使用Sigmoid激活函數(shù)。兩者均發(fā)現(xiàn)：使用Sigmoid激活會(huì)導(dǎo)致0.2%左右的性能下降。

為更好對(duì)比Conv2Former與VAN的性能，特匯總上表(注：GFLOPs列僅匯總了)在Image輸入時(shí)的計(jì)算量Net-1K上的指標(biāo)進(jìn)行了對(duì)比，可以看到：在同等參數(shù)量前提下，兩者基本相當(dāng)，差別僅在0.1%。此外，考慮到作者所提到的“LN+GELU的組合可以帶來0.1%-0.2%的性能提升”，兩者就算是打成平手了吧，哈哈。