Split to Be Slim: An Overlooked Redundancy in Vanilla Convolution， IJCAI 2020
论文地址: https://arxiv.org/abs/2006.12085
代码地址: https://github.com/qiulinzhang/SPConv.pytorch
为了设计高效的CNN，学者提出了 group-wise conv, depth-wise conv, point-wise conv 等方法，这些方法的思想来源是：dense vanilla conv 可以由一些 sparse conv 组合得到。
在这篇论文中，作者认为，卷积得到的 feature map 高度相似（如下图所示），因此存在大量的冗余信息。因此，可以选择一些有代表性的 feature map 表达目标的本征特征，剩余的只需要补充一些细节信息。
作者提出了一个 SPConv 的模块，用来降低常规卷积中的冗余信息。在该模块中，所有的输入通道按比例(alpha)分为两部分：representative部分用 (k imes k) 的卷积提取重要信息；redundant部分用 (1 imes1)的卷积补充细节信息。如下图所示：
作者认为，representative 部分仍可能存在冗余，因此，可以进一步拆分。因此，作者使用使用group-wise和point-wise卷积分别处理，再将结果融合。
对于得到的上下两个分支的特征，使用了类似 SKNet 的处理方式进行融合（这里是比较熟悉的 self-attention），得到最终的输出特征。
具体的实现细节可参考作者的源码和论文，实验部分不做介绍了。