ConvNeXt（CVPR 2022）论文解读

paper：A ConvNet for the 2020s

official implementation：https://github.com/facebookresearch/ConvNeXt

third-party implementation：https://github.com/huggingface/pytorch-image-models/blob/main/timm/models/convnext.py

背景

在2020年代，视觉识别领域开始被Vision Transformers（ViTs）主导，这些模型迅速超越了传统的卷积神经网络（ConvNets）成为图像分类的顶尖模型。然而，虽然ViTs在图像分类任务中表现优异，但在目标检测和语义分割等计算机视觉任务中却存在困难。因此，层次化的Transformers（如Swin Transformers）重新引入了若干ConvNet的设计元素，使得Transformers在各种视觉任务中表现出色 。

本文的创新点

本文重新审视了ConvNet的设计空间，并测试了一个纯ConvNet能够达到的性能极限。作者从标准的ResNet出发，逐步“现代化”其设计，使其接近视觉Transformer的设计，并在此过程中发现了一些关键组件，这些组件有助于缩小性能差距。

具体如下

1. ConvNeXt架构：完全由标准的ConvNet模块构建，没有使用任何基于注意力的模块，展示了纯ConvNet模型在现代计算机视觉任务中的竞争力。
2. 现代化的ConvNet设计：通过一系列设计决策（如宏观设计、ResNeXt结构、inverted bottleneck、大核卷积和微观层级设计等），将标准的ResNet模型逐步现代化
3. 简化和效率：ConvNeXt在保持简洁设计的同时，提供了与Transformer相当的性能，且在某些情况下效率更高。
4. 广泛的评估：ConvNeXt在多个视觉识别任务上进行了评估，包括ImageNet分类、COCO目标检测和ADE20K语义分割，证明了其通用性和有效性。

方法介绍

Modernizing a ConvNet:  a Roadmap

作者提供了一个从ResNet到转变成一个类似于一个Transformer的ConvNet的过程轨迹，具体考虑了两种模型尺寸，一种是ResNet-50/Swin-T，FLOPs在4.5x10^9左右，另一种是ResNet-200/Swin-B，FLOPs在15.0x10^9左右。为简单起见，我们将用ResNet-50 / Swin-T模型来展示结果。对更高容量模型的结论是一致的。

作者的探索是为了研究和借鉴Swin-Transformer不同级别的设计同时保持一个标准ConvNet的简洁。具体的探索路线图如下：起点是一个ResNet-50，我们首先用vision Transformer相似的训练技巧来训练它，得到了相比原始的ResNet-50改进很多的结果，以这个作为baseline。然后我们研究了一系列的设计决策总结为 1）宏观设计 2）ResNeXt 3）inverted bottleneck 4）large kernel size 5）不同层的微观设计。图2展示了通过“网络现代化”每一步的过程和对应的结果。所有模型在ImageNet-1K上训练和评估。

Training Techniques

除了网络架构的设计外，训练过程也会影响最终的性能。Vision Transformer不仅带来了新的模块和架构设计决策，还引入了不同的训练技巧（比如AdamW优化器）。这主要涉及到优化策略和相关的超参设置。因此我们第一步是用vision Transformer的训练程序来训练一个baseline模型，ResNet-50/200。这里的训练设置类似于DeiT和Swin Transformer的。训练从90个epoch延长到300个，优化器选择AdamW，数据增强包括Mixup、Cutmix、RandAugment、Random Erasing以及正则化包括Stochastic Depth和Label Smoothing。完整的超参设置如表5所示

增强的训练方案使得ResNet-50的精度从76.1%提升到了78.8%（+2.7%），这意味着传统的卷积网络和vision Transformer之间的性能差异很大一部分是训练技巧造成的。在接下来整个“现代化”的过程中我们都使用相同的超参和训练配置。

Macro Design

Changing state compute ratio. 在ResNet中不同stage计算量分布的设计主要是经验性的，沉重的'res4' stage是为了与下游任务兼容比如目标检测，其中一个检测head作用于14x14的特征图上。Swin-T遵循相同的原理但不同stage的计算比略有不同1:1:3:1，对于更大的Swin Transformer这个比例为1:1:9:1。遵循这种设计，我们将ResNet-50不同stage中block的数量从(3, 4, 6, 3)改为(3, 3, 9, 3)，这保持了和Swin-T相近的FLOPs。这步操作将模型的精度从78.8%提高到了79.4%。

Changing stem to "Pachify". 标准的ResNet中stem部分包含一个stride=2的7x7卷积和一个max pool，使得输入图像降采样4x。在vision Transfrmer中，stem阶段采用了一个更激进的"patchify"策略，它使用一个更大的卷积核（例如14或16）并且卷积核之间不重叠（即步长等于卷积核大小）。Swin Transformer用了类似的"patchify"层但使用了一个较小的patch size 4以适应架构的多级设计。我们用一个4x4-s4的卷积层作为patchify layer替换原本的stem，这一步将模型的精度从79.4%提升到79.5%。

ResNeXt-ify

在这一部分中，我们尝试采用ResNeXt的思想，它比普通的ResNet有更好的FLOPs/accuracy权衡。核心组件是分组卷积。ResNeXt的指导原则是“使用更多的组，扩大宽度”。更准确地说，ResNeXt对bottleneck block中的3×3conv层采用了分组卷积。由于这大大减少了FLOPs，网络宽度被扩大，以补偿容量损失。

本文作者使用了深度卷积，它是组卷积的一种特殊情况，group数量等于通道数。作者注意到，深度卷积类似于self-attention中的加权求和操作，它在每个通道上计算即只在空间维度进行信息的融合。depthwise卷积和1x1卷积的组合分离了空间的融合通道的融合，这也是vision Transformer的特性，即每个operation要么融合空间维度的信息要么融合通道维度的信息但不会同时进行。使用深度卷积有效降低了FLOPs，但如预期一样精度也降低了。根据ResNeXt的策略作者将网络宽度增加到了和Swin-T一样（64到96）。随着FLOPs的增加（5.3G）网络性能达到了80.5%。

Inverted Bottleneck

Transformer block的一个重要设计是它用了一个inverted bottleneck，即MLP block中隐藏层的维度是输入的4倍，如图4所示。

作者探索了inverted block的设计，图3(a)到(b)展示了这种配置。尽管深度卷积层的FLOPs有所增加，由于降采样residual block shortcut 1x1卷积层带来的FLOPs下降，整个网络FLOPs降低到了4.6G。这里带来了精度的略微提升，80.5%到80.6%。

 

Large Kernel Sizes

Vision Transformer最显著的一个特点就是非局部的self-attention，这使得每一层都有全局的感受野。而ConvNet中往往是堆叠小核（3x3）卷积层，它们在现代GPU上有高效的硬件实现。尽管Swin Transformer重新将local window引入到了self-attention block，但窗口大小至少为7x7，显著大于ResNe(X)t的3x3。因此这里作者重新研究了在ConvNet中使用大的卷积核。

Moving up depthwise conv layer. 为了探索大卷积核，一个前提是上移depthwise卷积层的位置（图3(b)到(c)）。这个设计在Transformer中很明显：MSA block放置在MLP层之前。由于我们有一个inverted bottleneck block，这是一个很自然的设计选择——复杂低效的模块（MSA，大核卷积）的通道数将会变少，而高效密集的1x1卷积将会完成繁重的工作。这一中间步骤将FLOPs降低到了4.1G，精度也暂时下降到了79.9%。

Increasing the kernel size. 在有了上述前提下，采用更大核的卷积的好处是显著的。作者实验了几个kernel size，包括3、5、7、9和11，网络的性能从79.9%（3x3）提升到了80.6%（7x7），而网络的FLOPs几乎保持不变。此外作者还观察到，采用更大卷积核的增益在7x7时达到饱和点。

至此，我们结束了对宏观尺度上网络架构的研究，有趣的是，vision Transformer中采用的大部分设计选择可以直接应用于ConvNet。

Micro Design

这一部分，作者将研究微观尺度上的几个架构上的差异，这里大多数探索都是在层的级别上完成的，重点关注激活函数和normalization层的选择。

Replacing ReLU with GELU 自然语言处理和视觉架构的一个差异是具体使用的激活函数类型。ReLU由于其简洁和高效被广泛使用于ConvNet中。在原始的Transformer中也使用了ReLU。而GELU，可以被视为ReLU的平滑版本，被广泛应用于一些最先进的Transformer架构中，包括BERT、GPT-2和ViT。作者发现，在本文的ConvNet中也可以用GELU替代ReLU，尽管精度保持不变（80.6%）。

Fewer activation functions. Transformer和ResNet的一个微小区别是前者使用的激活函数更少。考虑一个有key/query/value线性embedding层的Transformer block，projection layer以及MLP block中的两个线性层，其中只在MLP block中有一个激活函数。作为对比，通常每个卷积层后都添加一个激活函数。这里作者探索了在ConvNet中用相同的策略时，性能将如何变化。如图4所示，我们从residual block中去掉所有的GELU只保留两个1x1卷积层之间的一个GELU，复制了Transformer的风格。这一步将精度提高了0.7%至81.3%，基本上match了Swin-T的性能。

Fewer normalization layers. Transformer block通常也配置较少的normalization layer。这里作者去掉了两个BN层，只保留1x1卷积前的一个BN层。这进一步将性能提升到了81.4%，已经超越了Swin-T。

Substituting BN with LN. BatchNorm是ConvNet中一个重要组成部分因为它提高了收敛性减少了过拟合。但BN也有许多复杂的问题，这可能会对模型的性能产生不利影响。另一方面，Transformer中使用了更简单的Layer Normalization并在不同的场景中表现出了良好的性能。在GN的文章中作者提到用LN替换BN会带来次优的性能。但经过上述对网络架构和训练技巧的修改后，本文作者发现用LN训练ConvNet没有任何问题，性能还稍微提高了一点到81.5%。

Separate downsampling layers. 在ResNet中，降采样是在每个stage开始的residual block中进行的，通过3x3-s2的卷积实现（shortcut中通过1x1-s2的卷积）。在Swin Transformer中，在每个stage之间有一个单独的降采样层。本文探索了一种类似的策略，即使用2x2-s2的卷积进行降采样。结果作者发现这种修改会导致训练发散，进一步研究发现，在改变分辨率的地方添加归一化层有助于稳定训练。经过这一步，精度提升到了82.5%，超越了Swin-T的81.3%。

至此就得到了本文的最终结构，作者称之为ConvNeXt。ResNet、Swin Transformer和ConvNeXt的block结构如图4所示。网络详细的结构配置如表9所示。

实验结果

不同大小的ConvNeXt的配置如下

作者在ImageNet上进行了两组实验，一组是直接在ImageNet-1K上进行训练与评估，另一组是在ImageNet-22K上进行预训练并在ImageNet-1K上微调，两组实验的结果如表1所示。其中上半部分是直接在ImageNet-1K上进行训练的结果，可以看到在精度-计算权衡方面ConvNeXt和两个强ConvNet基线（RegNet和EfficientNet）相比取得了具有竞争力的结果。在相似计算量的前提下，ConvNeXt在所有计算量的范围中都超过了Swin Transformer。

在ImageNet-22K上预训练的结果如表1下半部分所示，进行这组实验的原因是：一个普遍的观点是，vision Transformer有更少的归纳偏置，因此在更大规模数据的预训练下可以比卷积网络表现得更好。通过实验结果可知，在大规模数据预训练下，ConvNeXt的性能表现不比Swin Transformer差，表明了ConvNeXt也是一个scalable架构。