AI学习者 · 2023年07月18日

视觉Backbone怎么使用1/8的FLOPs实现比Baseline更高的精度?

image.png

大规模视觉预训练显著提高了大型视觉模型的性能。然而,作者观察到现有的低FLOPs模型无法从大规模预训练中受益的问题。在本文中,作者提出了一种通用的设计原则,即ParameterNet,用于在大规模视觉预训练中增加更多参数的同时保持低FLOPs。

例如,采用动态卷积技术可以为网络提供更多参数,同时仅略微增加FLOPs。提出的ParameterNet方案使得低FLOPs网络能够从大规模视觉预训练中受益。

在大规模ImageNet-22K数据集上的实验证明了作者ParameterNet方案的卓越性能。例如,ParameterNet-600M相比广泛使用的Swin Transformer具有更高的准确性(81.6%对80.9%),并且具有更低的FLOPs(0.6G对4.5G)。

1、简介

由于计算硬件和数据工程的发展,作为计算机视觉中的基础组成部分,大规模视觉预训练取得了令人瞩目的进展。预训练的视觉模型可以作为表示学习器,并迁移到下游任务中,如图像识别和目标检测。

主流的预训练视觉模型通常需要大量的资源,包括数据、参数和FLOPs。这3个关键因素严重影响着性能,并基本遵循缩放定律。大规模的预训练数据可以为表示学习提供多样化的样本。这些数据集的规模从数百万到数十亿不等,例如,广泛使用的ImageNet-22K数据集包含了1400万张图像和21841个类别。为了更好地拟合大规模数据集,模型的大小(包括参数和FLOPs)近年来越来越大,例如,ViT-G/14模型具有18亿个参数和9650亿个FLOPs。

移动设备上的视觉应用通常需要快速推理,因此由于高计算成本,很难部署现有的预训练视觉模型。为了解决这个问题,作者经验性地研究了大规模视觉预训练中FLOPs的影响。作者采用ImageNet-22K作为大规模预训练数据集,而ImageNet-1K是一个相对较小的数据集用于比较。

image.png

然后,作者对预训练的Transformer和CNN模型在ImageNet-1K上进行微调以评估性能。如图2和图3所示,当模型的FLOPs逐渐增加时,模型的准确性持续提高。对于高FLOPs的模型,22K预训练模型优于1K模型。然而,低FLOPs的模型无法从大规模预训练中获益,作者称之为低FLOPs陷阱。

image.png

在这篇论文中,作者通过增加更多的参数来构建低FLOPs的ParameterNet,同时保持低FLOPs的特性,用于大规模视觉预训练。这是一个通用的设计原则,有多种方法可以增加参数数量并保持低FLOPs。

例如,作者主要考虑高效动态卷积,它可以大幅增加参数数量而几乎不增加额外的FLOPs。ParameterNet方案可以使以前的网络从大规模视觉预训练中受益,并克服低FLOPs的陷阱。

在实验中,ImageNet-22K预训练的ParameterNets相比正常的ImageNet-1K训练可以提高约2%的性能。例如,ParameterNet-600M在ImageNet-1K验证集上实现了81.6%的top-1准确率,其FLOPs数量比Swin-T低7倍。

image.png

2、本文方法

在本节中,作者研究了大规模预训练设置下的 low-FLOPs 网络。

2.1  Architecture: Transformer vs. CNN

在这里,作者没有提出一个新的架构,而是选择了最适合大规模视觉预训练的低FLOPs网络架构。ViT及其变种在大型视觉模型领域中展示了Transformer相对于CNN的优越性。

如下图所示,当FLOPs高于5G FLOPs时,基于Transformer的模型在计算成本相似的情况下始终表现出色于CNN。

image.png

至于更小的模型,特别是在600M FLOPs范围内的移动级模型,具有局部性和平移不变性的CNN仍然占主导地位。为了构建用于视觉任务的高效Backbone模型,作者选择了CNN作为基础模型。GhostNet是代表最先进的移动模型,引入了廉价运算来简化标准卷积层。

2.2 Parameters Are All You Need

在神经网络中,参数数量和FLOPs之间存在高度的相关性。具有大量参数的模型通常拥有较高的FLOPs。考虑到大量数据需要更多的参数的直觉,作者通过增加参数数量来构建ParameterNet,同时保持低FLOPs。

image.png
image.png
image.png

3、实验

3.1 实验设置

image.png

3.2 主要结果

image.png

3.2.1 与SOTA比较

image.png

3.2.2 推理速度

image.png

3.3 消融实验

3.3.1 dynamic experts的数量

image.png

3.3.2 Dynamic convolution vs. re-parameterized convolution

image.png

3.3.3 ParameterNet for other network architectures

image.png

4、参考

[1].ParameterNet: Parameters Are All You Need for Large-scale Visual Pretraining of Mobile Networks.

作者: 小书童
文章来源:集智书童

推荐阅读

更多嵌入式AI干货请关注嵌入式AI专栏。欢迎添加极术小姐姐微信(id:aijishu20)加入技术交流群,请备注研究方向。
推荐阅读
关注数
18838
内容数
1371
嵌入式端AI,包括AI算法在推理框架Tengine,MNN,NCNN,PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群,微信号:aijishu20(备注:嵌入式)
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息