论文：https://arxiv.org/pdf/2007.11823.pdf
代码：https://github.com/megvii-model/WeightNet
这是香港中文大学和旷视科技的最新工作，提出了一个即插即用并可以有效涨点的网络WeightNet，作者也指出，该网络是受了最近关注度较高的 conditional network 的启发。
Conditional network （或者叫做 Dynamic network）最近受到广泛关注。作者分析了 Conditional network 和 SENet 的联系，二者都包括两个步骤：第1步，得到一个 attention activation vector，然后 SENet 利用该向量给特征通道分配权重，CondConv 是给一系列卷积核分配权重 （a mixture of expert weights）。两者一直被视作完全不同的方法，作者提出一个问题：“Do they have any correlations ?”
为此，作者设计了WeightNet，首先需要了解一个概念：Grouped FC。 普通的FC操作可以理解 为一个矩阵运算 \(Y=WX\) ，如下图(a)所示。在此基础上添加分组操作的话，就成为了图(b) 所示的 Grouped FC。在图中，FC运算分为了 \(g\) 组，每一组的输入为 \(i/g\) ，输出 为 \(o/g\) 。这是联系 WeightNet 和 CondConv 的关键操作。
同时，作者给出一个定义：设输入特征为 \(X\in R^{C\times H\times W}\)，输出特征为\(Y\in R^{C\times H\times W}\)，卷积权值可以看作 \(W \in R^{C\times C\times k\times k}\)。这样卷积可以看作 \(Y_c=W_c * X\)。
1. Rethinking CondConv
CondConv 第一步是得到权重向量 \(\alpha\) ，这个步骤可以这样描述：\(\alpha=\sigma(W_{fc1}\times \frac{1}{hw}X)\) ，这里 \(W_{fc1}\in R^{m\times C}\)， \(\alpha\in R^{m\times1}\)。
第二步，为卷积分配权重，可以理解为：\(W'=W^T\times \alpha\)，这里 \(W\in R^{m\times CCkk}\)
2. Rethinking SENet
SENet 第一步也是得到权重向量\(\alpha\)，可以这样描述：\(\alpha = \sigma(W_{fc2}\times \textrm{ReLU}(W_{fc1}\times \frac{1}{hw}X))\) 。两个全连接层中间有降维，reduction ratio 为 16。
第二步，为 feature map 的各个通道分配权重，整个过程可以理解为：\(Y_c=(W'_c\cdot \alpha_c) * X\)。这可以理解为一个特殊的 Grouped FC，输入是 \(C\)，输出是 \(C\times C\times k\times k\)，只是分为 \(C\) 组。
3. WeightNet
作者提供了一个图来说明 WeghtNet， SENet 和 CondConv 的区别与联系，如下所示。三个操作都输出同样的 \(C\times C\times k \times k\)卷积矩阵，但是 图（a） 为只有一组（CondConv），图（b）为有C组（SENet），图（c）为自定义组数（WeightNet）
作者在 WeightNet 中引入了参数 \(M\) 和 \(G\)。 权重向量 \(\alpha\) 为一个 \(M \times C\)维的向量。但是因为维度过高，使用了两个全连接层处理： \(\alpha = \sigma(W_{fc2}\times W_{fc1} \times \frac{1}{hw}X)\)，丙个全连接层，reduction ratio 为16。
在第二步里，建立 Grouped FC，输入为 \(M\times C\)，输出为 $\times C\times C\times k \times k $，分组数量为 \(G\times C\)。总体的图示如下：
需要注意的是，数据训练是要分batch的，因此，输入的X维度为\((B, C, H , W)\)，对其进行reshape 得到 \((1, B\times C, H, W)\)，然后对生成的 \(W\) 进行reshape得到 \((B, C, C, k, k)\)，然后采用组卷积的形式进行计算。 CondConv 也采用了这样的处理方式。
实验部分建议参考一下论文，这里不详细介绍了。