用于设计 CNN 的 7 种不同卷积

 

一 说明

        最近对CNN架构的研究包括许多不同的卷积变体，这让我在阅读这些论文时感到困惑。我认为通过一些更流行的卷积变体的精确定义，效果和用例（在计算机视觉和深度学习中）是值得的。这些变体旨在保存参数计数、增强推理并利用目标问题的某些特定特征。

        这些变体中的大多数都简单易懂，因此我专注于了解每种方法的优点和用例。这些知识有望帮助您了解最新CNN架构背后的直觉，并帮助您设计自己的网络。

二 卷 积

        让我们简要概述一下卷积的基本形式。根据PapersWithCode中的描述，

卷积是一种矩阵运算，由一个内核组成，一个小的权重矩阵，它滑过输入数据，执行逐元素乘法与它所在的输入部分，然后将结果相加到输出中。

        此类操作对于处理图像是有利的，因为：

1. 它们的参数效率非常高，因为图像的不同位置共享相同的权重，因此参数的数量与图像大小不成比例。
2. 卷积基本上是翻译不变的。也就是说，输出不受图像中常见的小翻译和大翻译的影响，这与 MLP 不同，MLP 通常会给出非常不同的 1 像素翻译结果。

卷积的输出形状和复杂性可以使用以下参数进行配置：

• 内核大小：内核的维度，通常使用内核大小 （3×3）。
• 填充：如何填充图像的边缘以保持卷积后的图像大小。例如，上面的演示使用 1 个像素的填充。描述像素数和填充这些像素的规则。
• 步幅：扫描图像时内核的步长。通常设置为 1 以保持数据形状，设置为 2 表示对其进行缩减采样。上面的演示使用步幅为 2。

来源：伊莱·本德尔斯基

通过组合通过不同内核卷积的每个通道的结果来预测每个输出通道。因此，需要C_in形状为K×K的内核来计算一个输出通道。其中 K 表示内核大小和C_in，C_out分别表示输入和输出通道的数量。

# 参数：K×K×C_in×C_out

计算：H×W×C_in×C_out×K×K（在步幅=1的情况下）

用例：这种卷积层几乎用于计算机视觉的每个子任务。其中包括监督任务，如图像和视频分类、对象检测、分割和合成任务，如图像生成、图像超分辨率、图像到图像传输。还有一些视觉之外的应用，例如用于序列建模的 1D 卷积和 3D 相关应用。

三 逐点卷积（1x1卷积）

        逐点卷积是具有 1×1 个内核的卷积层的另一个词。它们也表示为通道或投影层上的卷积。到底为什么有人会使用它？有两种主要用例：

1. 用于更改输入的维度（即多个通道）。

• 一些网络（如 Inception）连接从不同内核计算的特征，这会导致通道过多，因此应用逐点卷积来管理通道数。
• 当使用逐点卷积压缩特征时，计算密集型模块（如挤压和激励）等自注意力模块更可行。
• 当将两个内积与元素总和或乘积组合时，我们有时需要匹配通道数。

        该操作可以看作是沿输入特征图的深度计算多个加权和。它可以有效地总结它们。

        2. 它以微不足道的成本创建通道依赖关系。通过与缺乏这种依赖性的深度卷积相结合，可以特别利用这一点。

# 参数：C_in×C_out

计算：高××C_in×C_out

四 转置卷积（反卷积/逆卷积）

        反卷积显式计算卷积层的数学逆。虽然它广泛用于类视觉或信号处理，但它在深度学习中并不重要，因为可以通过梯度下降来学习操作的参数。

        转置卷积是一种使用卷积对图像大小进行上采样的更简单方法。该操作与步幅为 1（左）时的经典卷积没有什么不同。对于 n>1 的步幅，输出形状将扩展 n 倍。这是通过在像素之间填充 0 以创建所需大小的扩展图像并对扩展图像执行卷积来完成的。

        虽然转置卷积不会隐式计算卷积的逆运算，但对于深度学习来说并不重要，因为所需的滤波器（可能是逆滤波器）总是可以通过梯度下降来学习。它充分实现了增加数据空间大小的功能。

        重要提示：虽然它们经常被混淆，但转置卷积不是反卷积/逆卷积。

# 参数：K×K×C_in×C_out）

        用例：转置卷积用于需要上采样的网络架构。一些示例是用于语义分割、自动编码器或图像合成和生成网络的编码器-解码器样式网络中的用法。转置卷积的一个问题是棋盘伪影，这可能会给图像生成/合成带来问题。该主题超出了本文的范围，值得拥有自己的主题。有关更多信息，请参阅谷歌大脑的这篇文章。

来源：

• https://en.wikipedia.org/wiki/Deconvolution
• https://medium.com/@marsxiang/convolutions-transposed-and-deconvolution-6430c358a5b6
• https://naokishibuya.medium.com/up-sampling-with-transposed-convolution-9ae4f2df52d0

四 扩张卷积（Atrous convolution）

感受野是模型可以参考的原始图像的范围，用于对该步骤的一个像素进行推理。例如，具有一个 3×3 卷积的模型的输出可以考虑来自相对于每个像素的空间位置的 3 像素感受野的信息，而具有两个 3×3 卷积的模型具有相对于该位置的 5 像素的感受野。

增加核大小是增加感受野的一种方法，但计算量也很快增加。对图像进行下采样还具有增加感受野的效果，因为例如 3××3 特征图中的 8 卷积覆盖了更多的图像。三个 8×3 卷积足以考虑整个图像，以便在 3×8 特征空间中进行推理。

在较低空间维度上计算特征对于图像分类来说大多是可以的，但它会导致具有高分辨率输出的任务（尤其是语义分割）的大量信息丢失。

扩张卷积是一种卷积，其中内核的像素间隔（用 0 填充）。间距也被视为一个超参数，其值通常从上面演示中的 2 到大空间（如 DeepLab 模型中的 24）不等。它增加了内核大小，而不会增加计算量。这种设计能够从更大的感受野进行极其高效的计算，而不会丢失信息或增加层数。

用例：显示了语义分割中最重要的用法，但在轻量级/移动 CNN 架构中也考虑了其他任务。

提议于：通过扩张卷积进行多尺度上下文聚合

五 空间可分离卷积（Separable Convolution）

 

        一些 3×3 矩阵可以表示为两个向量的矩阵乘法。由于 3×3 核也是一个常见矩阵，因此可以将其拆分为一个 3×1 和一个 1×3 核，但执行相同的操作。

Source: Chi-Feng Wang

        具体来说，空间可分卷积将原始卷积替换为上图所述的两个阶段。这样，每个内核的参数数和操作数从 9（3×3） 减少到 6。然而，众所周知，并非所有 3×3 核都可以分离，因此空间可分离卷积可能会限制模型的能力。

# 参数：（K+K）×C_in×C_out

计算： H×W×C_in×C_out×（K+K）

用例：由于参数计数要小得多，因此有时将空间可分离卷积用于模型压缩和轻量级架构。

源：

• https://towardsdatascience.com/a-basic-introduction-to-separable-convolutions-b99ec3102728
• [Deep Learning] 딥러닝에서 사용되는 다양한 Convolution 기법들 — Enough is not enough

六 深度卷积

 

不是卷积和组合每个通道的结果，而是在每个通道上独立执行深度卷积，并将结果堆叠。我们可以直观地看到，这只有在输入和输出通道的数量一致时才有效。

深度卷积具有很高的参数和计算效率，因为参数的数量和计算复杂度都除以输出通道的数量，输出通道的数量通常范围高达 1024。但是，速度优势与操作数量的减少不成正比，因为深度卷积不像现代硬件上的传统卷积那样优化。

# 参数：K×K×C_in

计算：H×W×C_in×K×K

用例：深度卷积是构建更复杂的变体和卷积块的关键组件，这些变体和卷积块具有参数和计算效率。

七 深度可分离卷积

        深度卷积，然后是逐点卷积。由于深度卷积在通道之间没有连接，因此我们使用逐点卷积将它们连接起来。Xception的作者发现将非线性放在深度卷积之后很有用。整个过程如下图所示。

 

        空间可分卷积将经典卷积中的 x 轴和 y 轴分开。在这种情况下，深度可分离卷积可以被视为分离通道维度。

        与普通的深度卷积相比，计算复杂性略有增加，尽管仍然比传统卷积小得多。然而，与普通的深度卷积不同，它在许多经验实验中有效地模仿了常规卷积，并广泛用于现代CNN架构。

# 参数：（K×K+C_out）×C_in

计算： H×W×C_in×（K×K+C_out）

用例：Xception，MobileNet V1 / V2，EfficientNet V1（MnasNet）/ V2等等...

您可以在以下第 2 部分找到深度可分卷积的复杂历史：Xception：使用深度可分卷积进行深度学习

        在这篇文章中，我们回顾了在某些情况下被提议取代传统卷积层的卷积变体列表。这些块各有优缺点，用于解决不同的问题。在后续的文章中，我们将回顾卷积设计，这些设计将进一步增强我们创建CNN架构的工具箱。

        请在评论中告诉我有关建议或问题的信息。我会尽量在最多2天内回复你们所有人。