GhostNetV2 Enhance Cheap Operation with Long-Range Attention 论文学习

本文主要是介绍GhostNetV2 Enhance Cheap Operation with Long-Range Attention 论文学习，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

论文地址：https://arxiv.org/abs/2211.12905
代码地址：https://github.com/huawei-noah/Efficient-AI-Backbones/tree/master/ghostnetv2_pytorch

解决了什么问题？

在计算机视觉领域，深度神经网络在诸多任务上扮演着重要角色。为了将神经网络部署在边缘设备如手机和可穿戴设备，我们不只要考虑模型的表现，也要考虑其效率，尤其是实际的推理速度。矩阵乘法占据了算力消耗和参数量的主要部分。设计轻量级模型能显著降低推理延迟。

基于卷积的轻量级模型不擅长建模远距离的依赖关系，只能获取窗口区域内的局部信息，使性能无法进一步提升。在卷积中引入自注意力可以获得全局信息，但会制约实际的速度。常用的自注意力模块需要很高的复杂度，对低算力不友好。此外，需要对特征做大量的 split 和 reshape 操作，从而计算注意力图。尽管理论复杂度可忽略不计，但这些操作会增加内存占用和延迟。因此，在轻量级模型中使用原版的子注意力不适合移动设备。

提出了什么方法？

本文提出了一个硬件友好的注意力机制（叫 DFC 注意力），然后针对移动设备提出了一个新的 GhostNetV2 架构。DFC 注意力由全连接层组成，在常用的硬件上不只计算速度快，而且也可以获取远距离像素之间的关系。作者进一步分析了之前的 GhostNet，用带 DFC 注意力的低成本操作输出扩展特征，这样 GhostNetV2 能同时聚合局部和远距离的信息。在 ImageNet-1K 上，它取得了 $75.3\%$ 的准确率，FLOPs 为 $167M$。

为了简洁，只有全连接层参与注意力图的生成。一个全连接层被拆分成水平方向的全连接和垂直方向的全连接，聚合 2D 特征图的像素。这两个 FC 层会将各自方向上距离较远的像素都涵盖进来，把它们堆叠到一起，从而产生全局感受野。此外，作者回顾了 GhostNet 的表征瓶颈，通过 DFC 层来加强中间特征。然后作者构建了一个轻量级的视觉主干 GhostNetV2。

GhostNet 回顾

GhostNet 是针对移动设备设计的轻量级模型，能进行高效的推理。它主要的模块是 Ghost 模块，利用低成本操作生成出更多的特征图，从而替换原始的卷积。给定输入特征 $X\in {\mathbb{R}}^{H\times W\times C}$，Ghost 模块通过两步替换标准卷积。首先，用一个 $1\times 1$卷积来生成 intrinsic 特征，

$$Y^{\prime }=X\ast F_{1\times 1}$$

其中，$\ast$ 表示卷积操作，$F_{1\times 1}$ 表示 pointwise conv，$Y^{\prime }\in {\mathbb{R}}^{H\times W\times C_{out}^{\prime }}$ 是 intrinsic 特征，该特征的尺寸要小于原始输出的特征 $C_{out}^{\prime }<C_{out}$。然后，使用低成本操作（如深度卷积）来计算 intrinsic 特征，从而生成更多的特征。然后沿着通道维度，将这两部分特征 concat 一起：

$$Y=\text{Concat}([Y^{\prime },Y^{\prime }\ast F_{dp}])$$

其中 $F_{dp}$ 是深度卷积滤波器，$Y\in {\mathbb{R}}^{H\times W\times C_{out}}$ 是输出特征。尽管 Ghost 模块能够大幅度降低计算成本，但表征能力还是被弱化了。要想准确的识别，像素之间的关系至关重要。在 GhostNet 中，只用到了廉价的操作（$3\times 3$ 深度卷积）来获取空间信息，只占特征的一半。其余的特征是通过 $1\times 1$ pointwise 卷积产生的，没有和其他像素有任何交流。获取的空间信息不足会阻碍模型的表现进一步提升。

GhostNet block 是用两个堆叠的 Ghost module 构成的，如下图 a 所示。与 MobileNetV2 类似，它也是一个 inverted bottleneck，第一个模块是扩展层，增加输出通道数，第二个模块降低通道数来匹配短路连接的输出。

回顾移动架构的注意力机制

注意力模型最近也引入到了计算机视觉任务。ViT 使用标准的 transformer 模型，它由自注意力模块和 MLP 模块组成。Wang 等人将自注意力操作插入到了卷积网络中，获取全局信息。注意力模块的复杂度通常是关于特征尺寸的二次方程，对于高分辨率图像（目标检测和语义分割任务）就比较困难了。

主流的降低注意力复杂度的策略是将图像切分成多个窗口，在每个窗口内和跨窗口进行注意力操作。例如，Swin-Transformer 将原始特征图切分为多个非重叠窗口，在局部窗口内计算自注意力。MobileViT 将特征展开为多个非重叠的区域，计算这些区域之间的注意力。对于 CNN 的 2D 特征图，做特征切分和注意力会增加一些 tensor reshape 和转置操作，其理论复杂度可忽略，但事实上并非如此。对于高复杂度的大模型中（Swin-B 的 FLOPS 有几十亿次），在每次推理时这些操作只占一小部分。对于轻量级模型，这些部署延迟可忽略不计。

本文中，作者将 MobileViT 中的自注意力加入到了 GhostNet 中，在 Huawei P30 上用 TFLite 工具评测其延迟性。作者使用了标准的 ImageNet 输入分辨率 $224\times 224$。理论上注意力机制只增加了 $20\%$ 的 FLOPs，但是在移动设备上增加了一倍的推理时间。理论和实际复杂度之间的巨大差异说明，针对移动设备设计一个硬件友好的注意力机制是非常必要的。

方法

DFC 注意力

作者介绍了如何为移动端 CNN 设计一个注意力模块，它应该具备以下特性：

• 长距离：要想增强表征能力，获取长距离空间信息对注意力机制来说是非常关键的，小型 CNN 为了节省成本，通常只使用了小型的卷积核($1\times 1$卷积)。
• 部署高效：注意力模块应该极其高效，以免降低推理速度。我们不希望出现高 FLOPs 的操作或硬件不友好的操作。
• 概念简洁：为了保持模型的泛化能力，该注意力应该非常简洁。

尽管自注意力能够很好地建模长距离像素关系，但部署起来并不高效。权重固定的全连接层非常简单，且部署简单，可以用全局感受野产生注意力图。计算过程如下：

给定特征 $Z\in {\mathbb{R}}^{H\times W\times C}$，可以看作为 $HW$ 个 tokens $z_i\in {\mathbb{R}}^C$，即 Z = { z 11 , z 12 , . . . , z H W } Z=\{\mathcal{z}_{11}, \mathcal{z}_{12}, ..., \mathcal{z}_{HW}\} Z={z11​,z12​,...,zHW​}。产生注意力图的 FC 层的具体实现如下：

$$a_{hw}=\sum _{h^{\prime },w^{\prime }}{F}_{hw,h^{\prime }{w}^{\prime }}\odot z_{h^{\prime }{w}^{\prime }}$$

其中$\odot$是逐元素相乘。$F$是全连接层的权重， A = { a 11 , a 12 , . . . , a H W } A=\{\mathcal{a}_{11}, \mathcal{a}_{12},...,\mathcal{a}_{HW}\} A={a11​,a12​,...,aHW​} 是生成的注意力图。上式能捕捉到全局信息，通过权重 $F$ 聚合所有的 tokens，这要比自注意力简单多了。但是，该计算过程的复杂度关于特征大小仍然是二次方程，即 $\mathcal{O}(H^2{W}^2)$，这在高分辨率输入图像场景中难以接受。比如，GhostNet 的第四层的特征图有 $3156(56\times 56)$个 tokens，计算注意力图就复杂度太高了。实际上，CNN 的特征图通常是 low-rank 的，并不需要将不同空间位置的所有的输入和输出 tokens 都密集地连接起来。特征图的 2D 形状自然地提供了一个方法来降低 FC 层的复杂度，将上式拆分成两个 FC 层，然后沿着水平和垂直方向聚合特征。表示如下：

$${a^{\prime }}_{hw}=\sum _{h^{\prime }=1}^H{F}_{h,h^{\prime }w}^H\odot z_{h^{\prime }w},h=1,2,...,H,w=1,2,...,W$$
$$a_{hw}=\sum _{w^{\prime }=1}^W{F}_{w,w^{\prime }w}^W\odot {a^{\prime }}_{h{w}^{\prime }},h=1,2,...,H,w=1,2,...,W$$

其中 $F^H$ 和 $F^W$ 是权重。以原始特征 $Z$ 作为输入，依次地输入上面式子，分别沿着高度和宽度两个方向计算得到长距离依赖关系。作者将这个操作命名为 decoupled fully connected(DFC) 注意力，如上图所示。将水平和垂直变换拆分后，注意力模块的计算复杂度降低到了 $\mathcal{O}(H^{2}W+H{W}^2)$。在全注意力中，方块中的所有区域都直接参与到了受关注区域的计算。在 DFC 注意力中，一个区域只和它水平和垂直方向的区域做直接的融合，而其它区域只参与受关注 token 的水平和垂直方向的区域的生成，它们与受关注 token 只有间接的关联。因此，方块中所有的区域都参与到了各区域的计算。

上面两个式子表示了 DFC 注意力，分别沿着水平和垂直方向聚合像素。通过共享部分的权重，它能很方便地用卷积实现，省去了推理耗时的 tensor reshape 和转置操作。为了处理不同分辨率的输入图像，滤波器大小可以解耦成特征图大小，即对输入特征图应用两个大小分别是 $1\times K_H$ 和 $K_W\times 1$ 的深度卷积。用卷积实现时，DFC 注意力的理论复杂度就是 $\mathcal{O}(K_{H}HW+K_{W}HW)$。TFLite 和 ONNX 可以很好地支持这个策略，方便移动端部署。

GhostNet V2

本文，作者使用 DFC 注意力来提升轻量级模型的表征能力，然后提出了新的主干网络 GhostNetV2。

增强 Ghost 模块
如上所述，Ghost 模块只有一半的特征会和其它像素交互，这破坏了空间信息获取的能力。因此，作者使用 DFC 注意力来增强 Ghost 模块的输出特征 $Y$，获取不同的空间像素的长距离依赖关系。

将输入特征 $X\in {\mathbb{R}}^{H\times W\times C}$ 输入两个分支，一个 Ghost 模块产生输出特征 $Y$，另一个输入 DFC 模块产生注意力图 $A$。在自注意力中，线性变换层用于将输入特征变换成 query 和 key 来计算注意力图。类似地，作者使用了 $1\times 1$ 卷积将模块的输入 $X$ 变换成 DFC 的输入 $Z$。最终的输出 $O\in {\mathbb{R}}^{H\times W\times C}$ 是两个分支输出的乘积：

$$O=\text{Sigmoid}(A)\odot \mathcal{V}(X)$$

其中$\odot$ 是逐元素相乘，$\text{Sigmoid}$是缩放函数，将注意力图$\mathcal{A}$归一化到$(0,1)$之间。

该信息聚合的过程如下图所示。对于相同的输入，Ghost 模块和 DFC 注意力是两个平行的分支，从不同的角度提取信息。二者的乘积就是输出结果，包含了 Ghost 模块的特征和 DFC 注意力的信息。每个注意力值的计算都涉及了距离远的区域，输出特征就包含了这些区域的信息。

特征下采样
Ghost 模块直接和 DFC 注意力并行计算会增加一些计算量。因此，作者通过水平和垂直方向的下采样来降低特征图尺寸，这样 DFC 注意力的所有操作都可以在更小的特征上进行。宽度和高度都默认缩放为原来的一半，这降低了 DFC 注意力 $75\%$ 的 FLOPs。然后将输出特征图上采样到原来的尺寸，从而匹配上 Ghost 分支的特征尺寸。对于下采样作者使用了 average pool，对于上采样使用了双线性插值。直接使用 sigmoid 函数会增加延迟，作者因此也在下采样后的特征图上使用了 sigmoid 函数，从而降低推理时间。尽管注意力图的值可能不在 $(0,1)$ 区间，作者发现其对模型的最终表现影响微乎其微。

GhostV2 bottleneck
GhostNet 采用了包括了两个 Ghost 模块的倒转残差 bottleneck，第一个模块产生更多通道的扩展特征，第二个降低通道数来获取输出特征。这个倒转 bottleneck 天然地拆分了模型的 expressiveness 和 capacity。前者体现在扩展特征上，后者体现在模块的输入和输出上。原始的 Ghost 模块通过廉价操作生成部分特征，但损害了 expressiveness 和 capacity。通过比较将 DFC 注意力加在扩展特征还是输出特征上的表现，作者发现增强 expressiveness 更有效。因此，作者只将扩展特征和 DFC 注意力相乘。

图4b 展示了 GhostNetV2 的 bottleneck。DFC 注意力分支与第一个 Ghost 模块平行，增强扩展特征。然后该特征输入第二个 Ghost 模块来产生输出特征。它获取了不同空间位置的像素之间远距离依赖关系，增强模型的 expressiveness。

这篇关于GhostNetV2 Enhance Cheap Operation with Long-Range Attention 论文学习的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---