CNN更新?lián)Q代！性能提升算力減半，還即插即用

曉查 安妮 2019-04-16 14:26:20 來源：量子位

安妮 邊策 發(fā)自 凹非寺

量子位 出品 | 公眾號 QbitAI

傳統(tǒng)的卷積運算，要成為過去時了。

Facebook和新加坡國立大學聯(lián)手提出了新一代替代品：OctConv（Octave Convolution），效果驚艷，用起來還非常方便。

OctConv就如同卷積神經(jīng)網(wǎng)絡（CNN）的“壓縮器”。用它替代傳統(tǒng)卷積，能在提升效果的同時，節(jié)約計算資源的消耗。

比如說一個經(jīng)典的圖像識別算法，換掉其中的傳統(tǒng)卷積，在ImageNet上的識別精度能獲得1.2%的提升，同時，只需要82%的算力和91%的存儲空間。

如果對精度沒有那么高的要求，和原來持平滿足了的話，只需要一半的浮點運算能力就夠了。

想實現(xiàn)這樣的提升，怕不是要把神經(jīng)網(wǎng)絡改個天翻地覆吧？

根本不需要，OctConv即插即用，無需修改原來的網(wǎng)絡架構(gòu)，也不用調(diào)整超參數(shù)，方便到家。

就是這個新一代的卷積，讓GAN的主要創(chuàng)造者、AI大牛Ian Goodfellow迫不及待，不僅轉(zhuǎn)發(fā)力薦，還表示要持續(xù)關注進展，開源時再發(fā)推告訴大家。

OctConv也獲得了眾網(wǎng)友的認可。短短5個小時，Goodfellow的推文就收獲了700贊，網(wǎng)友直呼“Excellent work!”

所以，OctConv到底是什么神仙網(wǎng)絡？

算力↓↓，準確率↑↑

我們先來看看它效果究竟如何。

比如說經(jīng)典的圖像識別算法：ResNet-50，換了新的卷積運算會帶來什么變化？

上圖中粉紅色的折線就是不同參數(shù)配置的OctConv對ResNet-50的影響。左起第二個粉紅圓點顯示了一種比較均衡的配置：比原版（最右黑點）略高的精度，所需的浮點算力卻只有原版的一半。

其他折線代表的各種圖像識別網(wǎng)絡，小到ResNet-26、DenseNet，大到ResNet-200，在OctConv加持下，都體現(xiàn)出了成績的提升和算力需求的下降。

調(diào)節(jié)OctConv的參數(shù)α，可以在性能提升和算力節(jié)約之間尋找平衡。

降低算力需求的同時，OctConv還能夠縮短神經(jīng)網(wǎng)絡推斷所需的時間。比如ResNet-50的推斷時間，就會隨著參數(shù)α的增大而逐步縮短。保持精度不變，推斷時間能縮短到74毫秒，也就是原來的62%。

對大、中、小型的模型，研究人員們分別測試了OctConv會如何影響它們的圖像分類能力。

大型神經(jīng)網(wǎng)絡ResNet-152用了OctConv后，僅用22.2GFLOP的算力，Top-1分類準確率就能達到82.9%。

OctConv的適用范圍也不僅限于圖像識別。

無論是2D還是3D的CNN，都能實現(xiàn)這種提升。論文不僅測試了ResNet、ResNeXt、DenseNet、MobileNet、SE-Net等2D CNN在ImageNet上的圖像分類能力，還測試了C2D、I3D等視頻行為識別算法改用OctConv之后的性能變化。

像壓縮圖像一樣壓縮卷積

OctConv節(jié)約的計算力，都是從哪兒省出來的？

對于普通卷積運算，所有輸入和輸出特征映射具有相同的空間分辨率。

實際上，一張圖片可以分成粗略結(jié)構(gòu)（低頻部分）和邊緣細節(jié)（高頻）兩個部分，比如一張企鵝照片能分離出兩個成分：

企鵝身上毛色相近的部分、背景顏色變化比較緩慢，屬于低頻信息，信息量較少；而兩種毛色交接的部分、企鵝身體邊緣的顏色變化劇烈，屬于高頻信息，信息量較多。

既然這樣，我們完全可以將信息量較少的低頻部分壓縮一下，減少冗余空間。

類似地，卷積層的輸出特征映射和拍攝的照片一樣，也可以被視為不同頻率信息的混合，進行相似的處理。

研究人員從圖片的頻率分離和壓縮中受到啟發(fā)。Octave Convolution的思路就是對卷積網(wǎng)絡也進行類似操作，壓縮低頻部分，分別處理高低頻兩個部分的數(shù)據(jù)，并在二者之間進行信息交換，從而減少卷積運算對存儲和計算量的消耗。

為了適應新的特征表示，文章推廣了傳統(tǒng)卷積，提出了OctConv。Octave是指八音階，在音樂中降低八音階代表頻率減半。

OctConv中低頻部分張量的大小是0.5h×0.5w，長寬正好是的高頻部分h×w的一半，從而節(jié)省了張量的存儲空間和計算量。

雖然OctConv壓縮了低頻部分的信息，但同時也有效地擴大了原始像素空間中的感受野（receptive field），可以提高識別性能。

實現(xiàn)過程

對于普通的卷積方法，以W表示k×k的卷積核，X和Y分別表示輸入和輸出張量，X和Y的映射關系為：

(p, q)是X張量中的位置坐標，(i, j)表示所取的近鄰范圍。

而OctConv的目標是分開處理張量中的低頻和高頻部分，同時實現(xiàn)的高頻和低頻分量特征表示之間的有效通信。

我們將卷積核分成兩個分量：

W=[W^H, W^L]

同時實現(xiàn)高低頻之間的有效通信。因此，輸出張量也將分成兩個分量：

Y=[Y^H, Y^L]

Y^H=Y^H→H+Y^L→H，Y^L=Y^L→L+Y^H→L

其中Y^A→B表示從A到B的特征映射后更新的結(jié)果。Y^H→H和Y^L→L是頻率內(nèi)的信息更新，Y^L→H和Y^H→L是頻率間的信息更新。

因此Y^H不僅包含自身的信息處理過程，還包含從低頻到高頻的映射。

為了計算這些項，我們將卷積核每個分量進一步分為頻率內(nèi)和頻率間兩個部分：

W^H=W^H→H+W^L→H，W^L=W^L→L+W^H→L

張量參數(shù)可以用更形象的方式表示：

△OctConv的卷積核

這種形式有些類似于完全平方公式a^2+b^2+ab+ba，兩個平方項W^H→H、W^L→L是頻率內(nèi)張量，兩個交叉項是頻率間張量W^L→H、W^H→L

△OctConv的卷積核的“交叉”處理過程，紅色箭頭表示高低頻之間的信息交換

輸出張量的計算方式和前面普通卷積的方式相同：

在OctConv中比例α是一個可以調(diào)節(jié)的參數(shù)，就是前文提到過的那個可調(diào)節(jié)參數(shù)。在整個網(wǎng)絡內(nèi)部層中令α_in = α_out = α，第一層中α_in = 0，α_out = α，最后一層中α_in = α，α_out = 0。

OctConv的另一個非常有用的特性是低頻特征映射有較大的感受野。與普通卷積相比，有效地將感受野擴大了2倍。這會進一步幫助每個OctConv層從遠處捕獲更多的上下文信息，并且有可能提高識別性能。

華人一作

這篇論文是Facebook聯(lián)合新加坡國立大學共同完成的。

其中，Yunpeng Chen、Haoqi Fang、Bing Xu,、Zhicheng Yan、Yannis Kalantidis、Marcus Rohrbach等6人均來自Facebook AI實驗室。

一作Yunpeng Chen，中文名為陳云鵬，2015年本科畢業(yè)于華中科技大學，去年開始在Facebook實習。

陳云鵬現(xiàn)就讀于新加坡國立大學博士，師從顏水成和馮佳時，兩人也均為這篇論文的作者。今年畢業(yè)后，陳云鵬將成為Facebook的一名研究員。

此前作為一作，陳云鵬已有4篇論文被CVPR、NeurIPS、ECCV和IJCAI等頂會接收，主攻深度學習于視覺交叉領域的研究。

顏水成是新加坡國立大學的終身教授的顏水成，現(xiàn)在也是360副總裁、人工智能研究院院長和首席科學家。

他主要研究計算機視覺、機器學習與多媒體分析領域，目前發(fā)表學術論文近500篇，被引次數(shù)超2.5萬次，曾三次入選全球高引用學者。目前，顏水成有諸多榮譽加持，并評為IEEE Fellow， IAPR Fellow和ACM杰出科學家等。

馮佳時現(xiàn)任新加坡國立大學電子與計算機工程系助理教授，為機器學習與視覺實驗室負責人。

本科在中國科學技術大學畢業(yè)后，馮佳時在新加坡國立大學讀博，此后又去UC伯克利人工智能實驗室從事博士后研究，研究方向為圖像識別、深度學習及面向大數(shù)據(jù)的魯棒機器學習。

傳送門

論文地址：

https://export.arxiv.org/abs/1904.05049

也有網(wǎng)友簡單復現(xiàn)了這個研究：

https://github.com/terrychenism/OctaveConv