CNN更新换代！性能提升算力减半，还即插即用

晓查 安妮 2019-04-16 14:26:20 来源：量子位

安妮 边策 发自 凹非寺

量子位 出品 | 公众号 QbitAI

传统的卷积运算，要成为过去时了。

Facebook和新加坡国立大学联手提出了新一代替代品：OctConv（Octave Convolution），效果惊艳，用起来还非常方便。

OctConv就如同卷积神经网络（CNN）的“压缩器”。用它替代传统卷积，能在提升效果的同时，节约计算资源的消耗。

比如说一个经典的图像识别算法，换掉其中的传统卷积，在ImageNet上的识别精度能获得1.2%的提升，同时，只需要82%的算力和91%的存储空间。

如果对精度没有那么高的要求，和原来持平满足了的话，只需要一半的浮点运算能力就够了。

想实现这样的提升，怕不是要把神经网络改个天翻地覆吧？

根本不需要，OctConv即插即用，无需修改原来的网络架构，也不用调整超参数，方便到家。

就是这个新一代的卷积，让GAN的主要创造者、AI大牛Ian Goodfellow迫不及待，不仅转发力荐，还表示要持续关注进展，开源时再发推告诉大家。

OctConv也获得了众网友的认可。短短5个小时，Goodfellow的推文就收获了700赞，网友直呼“Excellent work!”

所以，OctConv到底是什么神仙网络？

算力↓↓，准确率↑↑

我们先来看看它效果究竟如何。

比如说经典的图像识别算法：ResNet-50，换了新的卷积运算会带来什么变化？

上图中粉红色的折线就是不同参数配置的OctConv对ResNet-50的影响。左起第二个粉红圆点显示了一种比较均衡的配置：比原版（最右黑点）略高的精度，所需的浮点算力却只有原版的一半。

其他折线代表的各种图像识别网络，小到ResNet-26、DenseNet，大到ResNet-200，在OctConv加持下，都体现出了成绩的提升和算力需求的下降。

调节OctConv的参数α，可以在性能提升和算力节约之间寻找平衡。

降低算力需求的同时，OctConv还能够缩短神经网络推断所需的时间。比如ResNet-50的推断时间，就会随着参数α的增大而逐步缩短。保持精度不变，推断时间能缩短到74毫秒，也就是原来的62%。

对大、中、小型的模型，研究人员们分别测试了OctConv会如何影响它们的图像分类能力。

大型神经网络ResNet-152用了OctConv后，仅用22.2GFLOP的算力，Top-1分类准确率就能达到82.9%。

OctConv的适用范围也不仅限于图像识别。

无论是2D还是3D的CNN，都能实现这种提升。论文不仅测试了ResNet、ResNeXt、DenseNet、MobileNet、SE-Net等2D CNN在ImageNet上的图像分类能力，还测试了C2D、I3D等视频行为识别算法改用OctConv之后的性能变化。

像压缩图像一样压缩卷积

OctConv节约的计算力，都是从哪儿省出来的？

对于普通卷积运算，所有输入和输出特征映射具有相同的空间分辨率。

实际上，一张图片可以分成粗略结构（低频部分）和边缘细节（高频）两个部分，比如一张企鹅照片能分离出两个成分：

企鹅身上毛色相近的部分、背景颜色变化比较缓慢，属于低频信息，信息量较少；而两种毛色交接的部分、企鹅身体边缘的颜色变化剧烈，属于高频信息，信息量较多。

既然这样，我们完全可以将信息量较少的低频部分压缩一下，减少冗余空间。

类似地，卷积层的输出特征映射和拍摄的照片一样，也可以被视为不同频率信息的混合，进行相似的处理。

研究人员从图片的频率分离和压缩中受到启发。Octave Convolution的思路就是对卷积网络也进行类似操作，压缩低频部分，分别处理高低频两个部分的数据，并在二者之间进行信息交换，从而减少卷积运算对存储和计算量的消耗。

为了适应新的特征表示，文章推广了传统卷积，提出了OctConv。Octave是指八音阶，在音乐中降低八音阶代表频率减半。

OctConv中低频部分张量的大小是0.5h×0.5w，长宽正好是的高频部分h×w的一半，从而节省了张量的存储空间和计算量。

虽然OctConv压缩了低频部分的信息，但同时也有效地扩大了原始像素空间中的感受野（receptive field），可以提高识别性能。

实现过程

对于普通的卷积方法，以W表示k×k的卷积核，X和Y分别表示输入和输出张量，X和Y的映射关系为：

(p, q)是X张量中的位置坐标，(i, j)表示所取的近邻范围。

而OctConv的目标是分开处理张量中的低频和高频部分，同时实现的高频和低频分量特征表示之间的有效通信。

我们将卷积核分成两个分量：

W=[W^H, W^L]

同时实现高低频之间的有效通信。因此，输出张量也将分成两个分量：

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表示从A到B的特征映射后更新的结果。Y^H→H和Y^L→L是频率内的信息更新，Y^L→H和Y^H→L是频率间的信息更新。

因此Y^H不仅包含自身的信息处理过程，还包含从低频到高频的映射。

为了计算这些项，我们将卷积核每个分量进一步分为频率内和频率间两个部分：

W^H=W^H→H+W^L→H，W^L=W^L→L+W^H→L

张量参数可以用更形象的方式表示：

△OctConv的卷积核

这种形式有些类似于完全平方公式a^2+b^2+ab+ba，两个平方项W^H→H、W^L→L是频率内张量，两个交叉项是频率间张量W^L→H、W^H→L

△OctConv的卷积核的“交叉”处理过程，红色箭头表示高低频之间的信息交换

输出张量的计算方式和前面普通卷积的方式相同：

在OctConv中比例α是一个可以调节的参数，就是前文提到过的那个可调节参数。在整个网络内部层中令α_in = α_out = α，第一层中α_in = 0，α_out = α，最后一层中α_in = α，α_out = 0。

OctConv的另一个非常有用的特性是低频特征映射有较大的感受野。与普通卷积相比，有效地将感受野扩大了2倍。这会进一步帮助每个OctConv层从远处捕获更多的上下文信息，并且有可能提高识别性能。

华人一作

这篇论文是Facebook联合新加坡国立大学共同完成的。

其中，Yunpeng Chen、Haoqi Fang、Bing Xu,、Zhicheng Yan、Yannis Kalantidis、Marcus Rohrbach等6人均来自Facebook AI实验室。

一作Yunpeng Chen，中文名为陈云鹏，2015年本科毕业于华中科技大学，去年开始在Facebook实习。

陈云鹏现就读于新加坡国立大学博士，师从颜水成和冯佳时，两人也均为这篇论文的作者。今年毕业后，陈云鹏将成为Facebook的一名研究员。

此前作为一作，陈云鹏已有4篇论文被CVPR、NeurIPS、ECCV和IJCAI等顶会接收，主攻深度学习于视觉交叉领域的研究。

颜水成是新加坡国立大学的终身教授的颜水成，现在也是360副总裁、人工智能研究院院长和首席科学家。

他主要研究计算机视觉、机器学习与多媒体分析领域，目前发表学术论文近500篇，被引次数超2.5万次，曾三次入选全球高引用学者。目前，颜水成有诸多荣誉加持，并评为IEEE Fellow， IAPR Fellow和ACM杰出科学家等。

冯佳时现任新加坡国立大学电子与计算机工程系助理教授，为机器学习与视觉实验室负责人。

本科在中国科学技术大学毕业后，冯佳时在新加坡国立大学读博，此后又去UC伯克利人工智能实验室从事博士后研究，研究方向为图像识别、深度学习及面向大数据的鲁棒机器学习。

传送门

论文地址：

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

也有网友简单复现了这个研究：

https://github.com/terrychenism/OctaveConv