雷鋒網(wǎng) AI 科技評論按：雖然CVPR 2017已經(jīng)落下帷幕，但對精彩論文的解讀還在繼續(xù)。下文是Momenta高級研究員王晉瑋對此次大會收錄的 Xception：Deep Learning with Depthwise Separable Convolutions 一文進行的解讀。

Inception模塊是一大類在ImageNet上取得頂尖結(jié)果的模型的基本模塊，例如GoogLeNet、Inception V2/V3和Inception-ResNet。有別于VGG等傳統(tǒng)的網(wǎng)絡(luò)通過堆疊簡單的3*3卷積實現(xiàn)特征提取，Inception模塊通過組合1*1，3*3，5*5和pooling等結(jié)構(gòu)，用更少的參數(shù)和更少的計算開銷可以學(xué)習(xí)到更豐富的特征表示。

通常，在一組特征圖上進行卷積需要三維的卷積核，也即卷積核需要同時學(xué)習(xí)空間上的相關(guān)性和通道間的相關(guān)性。將這兩種相關(guān)性顯式地分離開來，是Inception模塊的思想之一：Inception模塊首先使用1*1的卷積核將特征圖的各個通道映射到一個新的空間，在這一過程中學(xué)習(xí)通道間的相關(guān)性；再通過常規(guī)的3*3或5*5的卷積核進行卷積，以同時學(xué)習(xí)空間上的相關(guān)性和通道間的相關(guān)性。

但此時，通道間的相關(guān)性和空間相關(guān)性仍舊沒有完全分離，也即3*3或5*5的卷積核仍然是多通道輸入的，那么是否可以假設(shè)它們可以被完全分離？顯然，當(dāng)所有3*3或5*5的卷積都作用在只有一個通道的特征圖上時，通道間的相關(guān)性和空間上的相關(guān)性即達到了完全分離的效果。

若將Inception模塊簡化，僅保留包含3*3的卷積的分支：

再將所有1*1的卷積進行拼接：

進一步增多3*3的卷積的分支的數(shù)量，使它與1*1的卷積的輸出通道數(shù)相等：

此時每個3*3的卷積即作用于僅包含一個通道的特征圖上，作者稱之為“極致的Inception（Extream Inception）”模塊，這就是Xception的基本模塊。事實上，調(diào)節(jié)每個3*3的卷積作用的特征圖的通道數(shù)，即調(diào)節(jié)3*3的卷積的分支的數(shù)量與1*1的卷積的輸出通道數(shù)的比例，可以實現(xiàn)一系列處于傳統(tǒng)Inception模塊和“極致的Inception”模塊之間的狀態(tài)。

運用“極致的Inception”模塊，作者搭建了Xception網(wǎng)絡(luò)，它由一系列SeparableConv（即“極致的Inception”）、類似ResNet中的殘差連接形式和一些其他常規(guī)的操作組成：

作者通過TensorFlow實現(xiàn)了Xception，并使用60塊NVIDIA K80分別在ImageNet和JFT（Google內(nèi)部的圖像分類數(shù)據(jù)集，包含17000類共3.5億幅圖像）上進行訓(xùn)練，并分別在ImageNet和FastEval14k上進行測試。在ImageNet上，Xception的準(zhǔn)確率相比Inception V3有一定的提升，并比ResNet-152或VGG-16有較多提升（單個模型，單個crop）：

在JFT/FastEval14k上，Xception取得了比ImageNet上相比于Inception V3更多的準(zhǔn)確率提升：

同時，和Inception V3相比，Xception的參數(shù)量有所下降，而訓(xùn)練時的迭代速度也沒有明顯變慢:

另外，在ImageNet和JFT上的訓(xùn)練過程都顯示，Xception在最終準(zhǔn)確率更高的同時，收斂過程也比Inception V3更快：

在Xception中加入的類似ResNet的殘差連接機制也顯著加快了Xception的收斂過程并獲得了顯著更高的準(zhǔn)確率：

值得注意的是，在“極致的Inception”模塊中，用于學(xué)習(xí)通道間相關(guān)性的1*1的卷積和用于學(xué)習(xí)空間相關(guān)性的3*3的卷積之間，不加入任何非線性單元相比于加入ReLU或ELU激活函數(shù)將會帶來更快的收斂過程和更高的準(zhǔn)確率：

這篇文章中提及的Depthwise Convolution操作，即group數(shù)、輸入通道數(shù)和輸出通道數(shù)相等的卷積層，在最近一年內(nèi)被多篇CNN模型結(jié)構(gòu)設(shè)計方面的工作所使用，包括Factorized Convolutional Neural Networks，Xception，MobileNet和ShuffleNet等，以及ResNeXt一文中使用的大量分group卷積操作也與之有相似之處。它們有的在ImageNet上取得了非常好的結(jié)果，有的大幅降低了模型的理論計算量但損失較少的準(zhǔn)確度。本文作者從空間相關(guān)性和通道間相關(guān)性的角度解釋Depthwise Convolution，認(rèn)為這是將學(xué)習(xí)空間相關(guān)性和學(xué)習(xí)通道間相關(guān)性的任務(wù)完全分離的實現(xiàn)方式。

事實上，這一操作也可以從低秩角度理解，即將每個輸入通道上可學(xué)習(xí)的卷積參數(shù)的秩限制為1。不過潛在的問題是，雖然Depthwise Convolution可以帶來準(zhǔn)確率的提升或是理論計算量的大幅下降，但由于其計算過程較為零散，現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)中它的效率都不夠高，例如本文中Xception的理論計算量是遠(yuǎn)小于Inception V3的，但其訓(xùn)練時的迭代速度反而更慢一些。期待后續(xù)會出現(xiàn)更加高效的Depthwise Convolution實現(xiàn)。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。