ESPNet/ESPNetV2：空洞卷积金字塔 | 轻量级网络

ESPNet系列的核心在于空洞卷积金字塔，每层具有不同的dilation rate，在参数量不增加的情况下，能够融合多尺度特征，相对于深度可分离卷积，深度可分离空洞卷积金字塔性价比更高。另外，HFF的多尺度特征融合方法也很值得借鉴
 
来源：晓飞的算法工程笔记 公众号

ESPNet

---

论文: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation

• 论文地址：http://arxiv.org/abs/1803.06815
• 论文代码：http://github.com/sacmehta/ESPNet

Introduction

  ESPNet是用于语义分割的轻量级网络，核心在于ESP模块，该模块包含point-wise卷积和空洞卷积金字塔，分别用于降低计算复杂度以及重采样各有效感受域的特征。ESP模块比其它卷积分解方法(mobilenet/shufflenet)更高效，ESPNet能在GPU/笔记本/终端设备上达到112FPS/21FPS/9FPS。

ESP module

  ESP模块将标准卷积分解成point-wise卷积和空洞卷积金字塔(spatial pyramid of dilated convolutions)，point-wise卷积将输入映射到低维特征空间，空洞卷积金字塔使用$K$组$n\times n$空洞卷积同时重采样低维特征，每个空洞卷积的dilation rate为$2^{k-1}$，$k=\{1,\cdots ,K\}$。这种分解方法能够大量减少ESP模块的参数量和内存，并且保持较大的有效感受域。

• Width divider K

  对于输入输出维度为$M$和$N$，卷积核大小为$n\times n$的标准卷积，需要学习的参数量为$n^{2}MN$，有效感受域为$n^2$。超参数$K$用来调节ESP模块的计算复杂度，首先使用point-wise卷积将输入维度从$M$降为$\frac{N}{K}$(reduce)，然后将低维特征分别使用上述的空洞卷积金字塔进行处理(split and transform)，最后将K组空洞卷积的输出合并(merge)。ESP模块包含$\frac{MN}{K}+\frac{(nN{)}^2}{K}$参数，有效感受域为$[(n-1)2^{K-1}+1{]}^2$，在参数和感受域方面都有一定的提升。

• Hierarchical feature fusion (HFF) for de-gridding

  论文发现，尽管空洞卷积金字塔带来更大的感受域，但直接concate输出却会带来奇怪网格纹路，如图2所示。为了解决这个问题，在concate之前先将输出进行层级相加，相对于添加额外的卷积来进行后处理，HFF能够有效地解决网格纹路而不带来过多的计算量。另外，为了保证网络的梯度传递，在ESP模块添加了一条从输入到输出的shortcut连接。

Relationship with other CNN modules

  论文列举了部分轻量级网络的核心模块进行了对比，可以看到ESP模块在参数量/内存/感受域方面都有很不错的数值。

ESPNet

  图4为ESPNet的演进过程，$l$为特征图大小，相同$l$的模块具有相同大小的特征图，红色和绿色模块分别为下采样和上采样模块，一般无说明即${\alpha }_2=2$、${\alpha }_3=8$。

Experiments

  这里只列举了部分实验，具体的其它实验可以去看看论文。

  替换图4d中的ESP模块进行实验对比。

  与其它语义分割模型进行对比。

Conclusion

  ESPNet是语义分割的轻量级网络，在保证轻量化的同时，针对语义分割的场景进行了核心模块的设计，使用空洞卷积金字塔进行多感受域的特征提取以及参数量的减少，并且使用HFF来巧妙消除网格纹路，十分值得借鉴。

ESPNetV2

---

论文: ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network

• 论文地址：http://arxiv.org/abs/1811.11431
• 论文代码：http://github.com/sacmehta/ESPNetv2

Introduction

  模型轻量化共包含3种方法，分别为模型压缩，模型量化以及轻量化设计。论文设计了轻量级网络ESPNetv2，主要贡献如下：

• 通用的轻量化网络结构，能够支持视觉数据以及序列化数据，即能支持视觉任务和自然语言处理任务。
• 在ESPNet基础上，加入深度可分离空洞卷积进行拓展，相对于ESPNet拥有更好的精度以及更少的参数。
• 从实验来看，ESPNetv2在多个视觉任务上有较好的准确率和较低的参数量，任务包括图像分类、语义分割、目标检测。
• 设计了cyclic learning rate scheduler，比一般的固定学习率的scheduler要好。

Depth-wise dilated separable convolution

  假设输入为$X\in {\mathbb{R}}^{W\times H\times c}$，卷积核为$X\in {\mathbb{K}}^{n\times n\times c\times \hat{c}}$，输出为$Y\in {\mathbb{R}}^{W\times H\times \hat{c}}$，标准卷积、分组卷积，深度分离卷积以及深度可分离空洞卷积的参数量和有效感受域如表1所示。

EESP unit

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-TvXgik8U-1611808076593)(http://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c32eac204f7e49b3819616fc46bfaa25~tplv-k3u1fbpfcp-zoom-1.image)]

  论文基于深度可分离空洞卷积以及分组point-wise卷积改进ESP模块，提出了EESP(Extremely Efficient Spatial Pyramid)模块。原始的ESP模块结构如图1a所示，论文首先将point-wise卷积替换为分组point-wise卷积，然后将计算量较大的空洞卷积替换为深度可分离空洞卷积，最后依然使用HFF来消除网格纹路，结构如图1b所示，能够降低$\frac{Md+n^2{d}^{2}K}{\frac{Md}{g}+(n^2+d)dK}$倍计算复杂度，$K$为空洞卷积金字塔层数。考虑到单独计算$K$个point-wise卷积等同于单个分组数为$K$的point-wise分组卷积，而分组卷积的在实现上更高效，于是改进为图1c的最终结构。

  为了更高效地学习多尺度特征，论文提出下采样版本的EESP模块(Strided EESP with shortcut connection to an input image)，主要进行以下改进：

• 修改深度可分离空洞卷积为stride=2的版本。
• 为模块原本的shortcut添加平均池化操作。
• 将element-wise相加操作替换为concate操作，这样能增加输出的特征维度。
• 为防止随着下采样产生的信息丢失，添加一条连接输入图像的shortcut，该路径使用多个池化操作来使其空间大小与模块输出的特征图一致，然后使用两个卷积来提取特征并调整维度，最后进行element-wise相加。

Network architecture

  ESPNetv2的网络结构如表2所示，ESSP模块的每个卷积后面都接BN层以及PReLU，模块最后的分组卷积的PReLU在element-wise相加后进行，$g=K=4$，其它与ESPNet类似。

Cyclic learning rate scheduler

  在图像分类的训练中，论文设计了循环学习率调度器，在每个周期$t$，学习率的计算为：

  ${\eta }_{max}$和${\eta }_{min}$分别为最大和最小学习率，$T$为循环周期。

  循环学习率调度器的可视化如图4所示。

Experiments

  图像分类性能对比。

  语义分割性能对比。

  目标检测性能对比。

  文本生成性能对比。

Conclusion

  ESPNetv2在ESPNet的基础上结合深度分离卷积的设计方法，进行了进一步的模型轻量化，结合了更丰富的特征融合，模型能够拓展到多种任务中，具有很不错的性能。

CONCLUSION

---

  ESPNet系列的核心在于空洞卷积金字塔，每层具有不同的dilation rate，在参数量不增加的情况下，能够融合多尺度特征，相对于深度可分离卷积，深度可分离空洞卷积金字塔性价比更高。另外，HFF的多尺度特征融合方法也很值得借鉴。

 
 
 

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】