GhostNet: More Features from Cheap Operations
GhostNet: More Features from Cheap Operations
論文地址:https://arxiv.org/abs/1911.11907
Ghost Module
設輸入爲 ,其中是輸入通道數,和分別是高和寬。卷積層可表述爲:
其中,是卷積操作,是偏置項,是輸出的維feature map,是卷積核。
這個卷積過程中,FLOPs可以用來計算。這個數字往往非常巨大。然而,生成的feature map具有冗餘性,因此,如果要得到相同的feature map,完全可以通過卷積生成一部分intrinsic feature map,另一部分通過對intrinsic feature map進行cheap transform得到。這樣就可以縮減運算量。
利用
生成了個通道的intrinsic feature map ,,偏置項爲了簡化而略去了。
爲了得到個通道的feature map,對intrinsic feature map進行一系列線性運算:
其中,是intrinsic feature map中的第個map,是生成第個ghost feature map的線性運算,也就是說,每個可以生成個ghost feature map ;而是恆等映射,將intrinsic feature map保留至最終輸出的feature map中。
由此得到了 維的feature map ,作爲Ghost module的輸出。
與現有方法的不同
- 現有方法(MobileNet、SqueezeNetShuffleNet等)廣泛使用點卷積;而Ghost module可以自定義卷積核大小
- 現有方法大都是先用pointwise卷積降維、再用depthwise卷積進行特徵提取;而Ghost module則是先做原始卷積獲得 intrinsic feature map,再用簡單的線性變換來獲取更多feature map
- 現有方法中處理每個特徵圖大都使用depthwise卷積或shift操作;而Ghost module使用線性變換,可以有很大的多樣性
- Ghost module中利用恆等映射與線性變換來保留intrinsic feature map
複雜度分析
由於有1次恆等映射,因此有次線性運算,每個線性運算核大小平均爲。加速比可以計算爲:
其中,和的量級相似,而。
類似地,壓縮比可以計算爲:
Ghost bottlenect (G-bneck)
如圖,Ghost bottleneck和ResNet中的residual block相似:
- G-bneck中包含2個Ghost module。第一個充當了expansion layer,用於擴張通道數;第二個則縮減通道數,以此和shortcut path相匹配。
- 每一層都使用了batch normalization
- 每層的激活函數都是ReLU(除了第二個Ghost module之後的層不用【具體原因參考MobileNetV2】)
- 時,shortcut path通過降採樣層實現,而兩個Ghost module之間還添加了一個的深度卷積層
- 實踐中,爲了提高效率,Ghost module中所有“基礎卷積”都是點卷積
GhostNet
將MobileNetV3中的bottleneck block替換成G-bneck,搭建了GhostNet:
- 第1層是標準的卷積層,卷積核有16個
- 根據G-bneck的輸入feature map大小,將網絡分爲若干組
- 每組最後一個G-bneck的 ,其餘
- 最終使用global average pooling,並通過卷積層,將feature map映射爲1280維的feature vector,用於分類問題
- 某些G-bneck中使用了squeeze and excite (SE) module
- 和MoileNetV3不同,沒有使用hard-swish,因爲其時延過大
實驗
首先進行一個驗證性實驗,觀察原始feature map和生成的ghost feature map之間的重構誤差。
以圖1中的3對feature map爲例,ResNet50第一個殘差塊提取出的特徵,把左邊的作爲輸入,右邊的作爲輸出,用深度卷積學習映射關係(這是一個線性的關係),深度卷積大小爲,取不同值時,MSE值爲:
由表可知,MSE值很小,也就是說,feature map之間確實存在着很強的關聯性,feature map存在着冗餘性。
參考資料: