【论文阅读】ConvNeXt：A ConvNet for the 2020s 新时代卷积网络

一、ConvNext Highlight

　　核心宗旨：基于ResNet-50的结构，参考Swin-Transformer的思想进行现代化改造，知道卷机模型超过trans-based方法的SOTA效果。

　　启发性结论：架构的优劣差异没有想象中的大，在同样的FLOPs下，不同的模型的性能是接近的。

　　意义：这篇文章可以作为很好的索引，将一些从卷积网络演进过程中的重要成果收录，适合新手。

二、背景介绍（Related Work）

2.1 一句话回顾ResNet-50

　　由48层卷积 + 1个maxpool + 1个 avgpool构成。1 个early downsampling的stem + 4个block，每个block的配比是3:4:6:3

2.2 Trans-based？为什么好？

1. 为什么Transformer强：归纳偏置小，A Survey of Transformers
   1. CNN的先验：局部相关性、全局共享性
   2. RNN的先验：时间依赖
   3. Trans的先验：只有position、先验小、模型上线高 大数据下表现更好  -> 小数据下只能增加正则项 / 引入结构偏置
2. 这么好，为啥前几年在NLP里用，CV领域从20年才开始用
   1. Trans模型的核心计算在自注意力机制，平方复杂度
   2. 在NLP领域把 字/词作为最小力度单元，在图像上使用像素作为最小力度单元？ -> 复杂度高、单像素信息含量太小

2.3 Trans-based这么好 要怎么用到CV（ViT Swin-T）

1. 一个Naive的想法：不把像素当做最小单元，把图像拆成若干小块(称作patch)，把小块视作基本单元？
   1. 上面Naive的想法真的可行！把小patch串起来变成embedding->ViT
2. ViT的两个理解视角：
   1. DNN的视角：把图像切割img2patch，再把patch通过仿射变换 patch2embedding
   2. CNN的视角：先通过全图的二维卷积（stride = kenerl size），再flatten the feature map
3. 更多细节：position embedding可学习， + classification head + 无trans decoder
4. 不引入先验的确让模型理论上限更高了，但学习难度也加大了，而且 O(n²)的复杂度还是很难顶 -> Swin-Transformer
5. Swin-T核心：采用层次化的设计，将复杂度从O(n^2)降到了O(n)、引入了CNN的局部性先验

三、Convnext又做了哪些事

3.1 超级详尽的实验 和 模型改造

3.2 在实验之前，先在小数据集上获得好的优化器参数

1. AdamW， 300epoch，预训练学习率4e-3，weight decay= 0.05，batchsize = 4096；微调学习率 5e-5， weight decay= 1e-8 ，batchsize = 512
2. 准确率直接从76.1升到了78.8

3.3 宏观设计

• 修改区块占比：将[3,4,6,3]的区块比例改为了[3,3,9,3] -> 79.4
  • RegNet和EfficientNetV2论文中都指出，后面的stages应该占用更多的计算量。
• patchy化：将底层的7*7卷积替换成了4*4 stride=4的卷积，相当于进行原图上的分块 ->79.5
• 深度可分离卷积：参考ResNext的结论，将普通卷积替换成深度可分离卷积（群卷积的一种），参数量降低可以让channel提高到96，达到与Swin-T相同。
  • ResNext的指导性建议：use more groups, expand width
  • 
• inverted bottleneck：引入了mobilenetV2中的结构，并且探索了更好的setting -> 80.6 
  • 
  • 为了尝试不同的kernel size，调整了卷积的位置（这使得FLOPS降低、精度发生了降低），调整后的结构如figure3-(c)
  • 这样调整之后可以实验不同kernel size。Swin-T的窗口是7*7，ConvNext也发现7*7最好

3.4 微观设计

• 更换激活：ReLU替换为GeLU(+0.1)
• 减少激活的数量(+0.7)、减少batchnorm(+0.1)，整体设置与Swin-T相同
• 为了跟Swin-T一致，在block开始添加1*1卷积(无效)
• 更换归一化：用LayerNorm替换BatchNorm(+0.1)
• 更换下采样：下采样从 3*3 stride=2，代替为2*2 stride=2（可分离下采样）-> 训练不收敛
• 在stem之后，每个下采样层之前以及global avg pooling之后都增加一个LayerNom （+0.5）

3.4 最终的模型

四、实验结论

 　　在 分类、检测、分割任务上效果都好，具体请移步论文原文看。

五、碎碎念

　　最近我们有一篇工作也是设计了一个全卷积的网络，也是用了深度可分离、inverted bottleneck、LN代替BN，但远远没有这篇论文做得细致。实验过程中遇到的难收敛问题或许是更值得探索的内容，可惜志不在此，希望学弟能够更细致得探索吧。