ESPNet系列的核心在于空洞卷积金字塔，每层具有不同的dilation rate，在参数量不增加的情况下，能够融合多尺度特征，相对于深度可分离卷积，深度可分离空洞卷积金字塔性价比更高。另外，HFF的多尺度特征融合方法也很值得借鉴
来源：晓飞的算法工程笔记 公众号
ESPNet
论文: ESPNet: Efficient Spatial Pyramid of Dilated Convolutions for Semantic Segmentation
Introduction
ESPNet是用于语义分割的轻量级网络，核心在于ESP模块，该模块包含point-wise卷积和空洞卷积金字塔，分别用于降低计算复杂度以及重采样各有效感受域的特征。ESP模块比其它卷积分解方法(mobilenet/shufflenet)更高效，ESPNet能在GPU/笔记本/终端设备上达到112FPS/21FPS/9FPS。
ESP module
ESP模块将标准卷积分解成point-wise卷积和空洞卷积金字塔(spatial pyramid of dilated convolutions)，point-wise卷积将输入映射到低维特征空间，空洞卷积金字塔使用$K$组$n imes n$空洞卷积同时重采样低维特征，每个空洞卷积的dilation rate为$2^{k-1}$，$k={1, cdots, K}$。这种分解方法能够大量减少ESP模块的参数量和内存，并且保持较大的有效感受域。
-
Width divider K
对于输入输出维度为$M$和$N$，卷积核大小为$n imes n$的标准卷积，需要学习的参数量为$n2MN$，有效感受域为$n2$。超参数$K$用来调节ESP模块的计算复杂度，首先使用point-wise卷积将输入维度从$M$降为$frac{N}{K}$(reduce)，然后将低维特征分别使用上述的空洞卷积金字塔进行处理(split and transform)，最后将K组空洞卷积的输出合并(merge)。ESP模块包含$frac{MN}{K}+frac{(nN)2}{K}$参数，有效感受域为$[(n-1)2{K-1} + 1]^2$，在参数和感受域方面都有一定的提升。
-
Hierarchical feature fusion (HFF) for de-gridding
论文发现，尽管空洞卷积金字塔带来更大的感受域，但直接concate输出却会带来奇怪网格纹路，如图2所示。为了解决这个问题，在concate之前先将输出进行层级相加，相对于添加额外的卷积来进行后处理，HFF能够有效地解决网格纹路而不带来过多的计算量。另外，为了保证网络的梯度传递，在ESP模块添加了一条从输入到输出的shortcut连接。
Relationship with other CNN modules
论文列举了部分轻量级网络的核心模块进行了对比，可以看到ESP模块在参数量/内存/感受域方面都有很不错的数值。
ESPNet
图4为ESPNet的演进过程，$l$为特征图大小，相同$l$的模块具有相同大小的特征图，红色和绿色模块分别为下采样和上采样模块，一般无说明即$alpha_2=2$、$alpha_3=8$。
Experiments
这里只列举了部分实验，具体的其它实验可以去看看论文。
替换图4d中的ESP模块进行实验对比。
与其它语义分割模型进行对比。
Conclusion
ESPNet是语义分割的轻量级网络，在保证轻量化的同时，针对语义分割的场景进行了核心模块的设计，使用空洞卷积金字塔进行多感受域的特征提取以及参数量的减少，并且使用HFF来巧妙消除网格纹路，十分值得借鉴。
ESPNetV2
论文: ESPNetv2: A Light-weight, Power Efficient, and General Purpose Convolutional Neural Network
Introduction
模型轻量化共包含3种方法，分别为模型压缩，模型量化以及轻量化设计。论文设计了轻量级网络ESPNetv2，主要贡献如下：
- 通用的轻量化网络结构，能够支持视觉数据以及序列化数据，即能支持视觉任务和自然语言处理任务。
- 在ESPNet基础上，加入深度可分离空洞卷积进行拓展，相对于ESPNet拥有更好的精度以及更少的参数。
- 从实验来看，ESPNetv2在多个视觉任务上有较好的准确率和较低的参数量，任务包括图像分类、语义分割、目标检测。
- 设计了cyclic learning rate scheduler，比一般的固定学习率的scheduler要好。
Depth-wise dilated separable convolution
假设输入为$Xin mathbb{R}^{W imes H imes c}$，卷积核为$Xin mathbb{K}^{n imes n imes c imes hat{c}}$，输出为$Yin mathbb{R}^{W imes H imes hat{c}}$，标准卷积、分组卷积，深度分离卷积以及深度可分离空洞卷积的参数量和有效感受域如表1所示。
EESP unit
论文基于深度可分离空洞卷积以及分组point-wise卷积改进ESP模块，提出了EESP(Extremely Efficient Spatial Pyramid)模块。原始的ESP模块结构如图1a所示，论文首先将point-wise卷积替换为分组point-wise卷积，然后将计算量较大的空洞卷积替换为深度可分离空洞卷积，最后依然使用HFF来消除网格纹路，结构如图1b所示，能够降低$frac{Md+n2d2K}{frac{Md}{g}+(n^2+d)dK}$倍计算复杂度，$K$为空洞卷积金字塔层数。考虑到单独计算$K$个point-wise卷积等同于单个分组数为$K$的point-wise分组卷积，而分组卷积的在实现上更高效，于是改进为图1c的最终结构。
为了更高效地学习多尺度特征，论文提出下采样版本的EESP模块(Strided EESP with shortcut connection to an input image)，主要进行以下改进：
- 修改深度可分离空洞卷积为stride=2的版本。
- 为模块原本的shortcut添加平均池化操作。
- 将element-wise相加操作替换为concate操作，这样能增加输出的特征维度。
- 为防止随着下采样产生的信息丢失，添加一条连接输入图像的shortcut，该路径使用多个池化操作来使其空间大小与模块输出的特征图一致，然后使用两个卷积来提取特征并调整维度，最后进行element-wise相加。
Network architecture
ESPNetv2的网络结构如表2所示，ESSP模块的每个卷积后面都接BN层以及PReLU，模块最后的分组卷积的PReLU在element-wise相加后进行，$g=K=4$，其它与ESPNet类似。
Cyclic learning rate scheduler
在图像分类的训练中，论文设计了循环学习率调度器，在每个周期$t$，学习率的计算为：
$eta_{max}$和$eta_{min}$分别为最大和最小学习率，$T$为循环周期。
循环学习率调度器的可视化如图4所示。
Experiments
图像分类性能对比。
语义分割性能对比。
目标检测性能对比。
文本生成性能对比。
Conclusion
ESPNetv2在ESPNet的基础上结合深度分离卷积的设计方法，进行了进一步的模型轻量化，结合了更丰富的特征融合，模型能够拓展到多种任务中，具有很不错的性能。
CONCLUSION
ESPNet系列的核心在于空洞卷积金字塔，每层具有不同的dilation rate，在参数量不增加的情况下，能够融合多尺度特征，相对于深度可分离卷积，深度可分离空洞卷积金字塔性价比更高。另外，HFF的多尺度特征融合方法也很值得借鉴。
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
