【目标检测】C-GhostNet

1、论文

论文题名:《GhostNet: More Features from Cheap Operations》
arxiv：https://arxiv.org/abs/1911.11907
github：https://github.com/huawei-noah/ghostnet
作者翻译：https://zhuanlan.zhihu.com/p/109325275

2、摘要

本篇论文是华为诺亚方舟实验室在CVPR2020上提出的一种轻量级网络GhostNet。
在优秀CNN模型中，特征图存在冗余是非常重要的，但是很少有人在模型结构设计上考虑特征图冗余问题（The redundancy in feature maps）。而本文就从特征图冗余问题出发，提出一个仅通过少量计算（cheap operations）就能生成大量特征图的结构——Ghost Module。
Ghost Module通过一系列线性操作/廉价操作（a series of linear transformations/cheap operations）生成冗余的特征图，其中，经过线性操作生成的特征图称为ghost feature maps，而被操作的特征图称为intrinsic feature maps。
Ghost Module的优点：
（1）即插即用：Ghost Module是一个即插即用模块，可以无缝衔接在现有的CNN中。
（2）采用Ghost Module组成的Ghost bottlenecks，设计出GhostNet，在ILSVRC-2012上top1超过Mobilenet V3，并且参数更少。

3、引言

3.1 什么是特征图冗余？

如图，这个是对ResNet-50第一个残差块特征图进行可视化的结果，当我们向一个神经网络输入一张图片时，我们可以得到许多的特征图，一对相似的特征图用同一种颜色注释，上图有三对相似的特征图。
利用小扳手连接起来的两幅特征图，它们的相似性很高，这就是神经网络中存在的特征图冗杂的情况。作者认为在一对相似的特征图中，一个特征图可以通过廉价操作（扳手）将另一个特征图变换而获得。将相似的特征图认为是彼此的Ghost。

3.2 什么是Ghost feature maps和Intrinsic feature maps？

经过线性操作生成的特征图称为ghost feature maps，而被操作的特征图称为intrinsic feature maps，即intrinsic feature maps执行linear operations得到ghost feature maps。
下图表示，假设一组特征图中，一部分是Intrinic，而另外一部分是可以由intrinsic通过cheap operations来生成的，cheap operations反复出现多次。

3.3 什么是linear transformations和cheap operations？

linear transformations = cheap operations
一个intrinsic特征图可以具有一个或多个ghost特征图。
线性运算是在通道上运行，对每一个通道单独做运算，其计算量比普通卷积少得多。实际上，Ghost Module中可能有几种不同的线性运算，例如3×3和5×5线性内核。

4、Ghost Module

如上图2的a、b图所示，Ghost Module的功能是代替普通卷积，分两步操作来生成和普通卷积层相同数量的特征图。
首先Ghost Module采用1×1卷积降维，得到channel较少的特征图（少量卷积），这个1x1卷积的作用类似于特征整合，生成输入特征层的特征浓缩（比如正常用32个卷积核，这里就用16个，从而减少一半的计算量）；然后再利用深度可分离卷积（3×3或5×5的DW深度卷积），也就是上述说的cheap operation生成Ghost特征图；最后将两次卷积的输出特征图再维度上堆叠concat，组合成新的output输出特征图。
步骤：
（1）利用1x1卷积Conv生成一些intrinsic feature maps
（2）对(1)生成的intrinsic feature maps进行DW深度可分离卷积（廉价操作）生成冗余特征图（特征浓缩的相似特征图ghost feature maps）
（3）最后将(1)(2)所生成的intrinsic feature maps和ghost feature maps进行concat拼接
注意：ratio表示Ghost Module中第一个1×1卷积下降通道数的倍数, 一般为2。

4.1 Ghost Module的计算量

如图2所示，假设输入图像大小是：h×w×c，卷积核的大小是：k×k，第一步生成的intrinsic特征图的大小是：h’×w’×m，s是第二步对intrinsic特征图中的每个特征（intrinsic特征图的m个通道）进行廉价操作的总映射，Ghost Module最终输出的特征图大小是：h’×w’×n，其中m << n。

可以得出：n = m * s

由于Ghost Module的第二步廉价操作中有1个identity恒等映射和s-1个ghost特征图，所以第二步Ghost Module具有m(s-1)个线性运算，即m(s-1) = n/s(s-1)个线性运算，并且每个线性运算的平均内核大小是d×d（d×d和k×k大小相似）。

图2（a）普通卷积的复杂度为：n * h’ * w’ * c * k * k

图2（b）Ghost Module的第一步普通卷积的复杂度为：m * h’ * w’ * c * k * k = n/s * h’ * w’ * c * k * k，第二步廉价操作（恒等映射和线性运算）的复杂度为：m(s-1) * h’ * w’ * d * d = n/s(s-1) * h’ * w’ * d * d（DW操作，分别对每一个通道做运算）

则，使用Ghost Module替换普通卷积的理论加速比为：

5、Ghost bottlenecks

Ghost bottlenecks是由Ghost Module组成的瓶颈结构，其实本质就是用Ghost Module，来代替瓶颈结构里面的普通卷积。

如图所示，Ghost bottleneck类似于ResNet中的基本残差块（Basic Residual Block），不同的是先升维再降维。

stride = 1的Ghost bottleneck：
主干部分由两个Ghost Module串联而成。第一个Ghost Module上升通道数，第二个Ghost Module降低通道数，以与shortcut路径匹配。然后，如果此时两个特征图的shape相同，就使用shortcut连接这两个Ghost Module的输入和输出。

stride = 2的Ghost bottleneck：
主干部分由两个 Ghost Module和一个DW深度卷积组成。第一个Ghost Module上升通道数；在高维空间下使用一个s=2的DW深度卷积下采样，来压缩特征图的高宽；第二个Ghost Module降低通道数。在shortcut路径部分，对输入特征图先使用s=2的DW深度卷积来压缩高宽，再使用1×1卷积调整通道数，使得输入和输出的特征图的shape相同。

注意：
（1）出于效率考虑，Ghost Module中的初始卷积是PW逐点卷积。
（2）第二个Ghost Module之后不使用ReLU，其他层在每层之后都应用了BN和ReLU非线性激活。

6、GhostNet网络结构

• exp：Ghost bottleneck中第一个Ghost Module上升的维度，即上升的通道数
• out：一个Ghost bottleneck的输出通道数
• SE：Ghost bottleneck中是否使用注意力机制，和MobileNet v3中的SE一样。若在s=1的Ghost bottleneck中使用，SE在第一个Ghost Module后使用；若在s=2的Ghost bottleneck中使用，SE在主干部分的DW深度卷积下采样层后使用，即两个Ghost Module之间的DW层的后面使用。

注意：
表格中stride=2表示，在s=2情况下的Ghost bottleneck中，其主干部分的两个Ghost Module之间的DW层的步距为2，其shortcut部分的DW层步距也为2；
无论是s=1还是s=2情况下的Ghost bottleneck中，其主干部分的Ghost Module里的第二步深度可分离卷积的步距一直是1，不受表格中stride的影响。

7、实验和结果

见原论文：https://zhuanlan.zhihu.com/p/109325275