深度学习被引起关注是在2012年，用神经网络训练的一个分类模型在ImagNet上取得了第一名，而且其分类精度比第二名高出10多个点，当时所使用的模型为AlexNet，现在看来其为一个比较简单的网络，而且只有比较浅的八层网络，但是在当时来讲已经很了不起了。这也就引发了后面对神经网络研究的两个方向，以提高网络的分类精度：1.网络变得更深更宽（Going Deeper）；2.减少网络中存在的冗余性（Eliminate the Redundancy）。
研究增加网络的深度（Going Deeper）。比如VGGNet，通过增加更多的卷积层和全连接层，变成了一个19层的网络，随着网络深度的加深，会发现带来的训练上的问题：过拟合、梯度消失、梯度爆炸等问题，使得后面的信息不能很好的反馈到前面。基于这些问题，出现了一些新的网络模型：
GoogLeNet提出了inception模块，该模块实现：使用1x1的卷积来进行升维度和降维；多尺寸同时卷积后聚合，并且用了中间层的监督信息，使得信息可以很快的进行反馈。
相继出现的还有Highway、ResNet（前后信息和交融起来）、DenseNet等等。
研究减少网络冗余（Eliminate the Redundancy）。随着网络模型的加深和更宽之后，计算量和memory会越来越大，而在实际的应用中，考虑更多的是如何可以应用一个小的model就可以达到好的分类效果，这就要研究如何减少网络中存在的冗余性。
神经网络中用的最多的操作是卷积，把输入信息设定为矩阵向量，卷积操作就相当于矩阵相乘，一种减少冗余的操作是采用核（kernels）操作，将高维度特征用低维度数据映射，来完成部分线性不可分问题，同时保持在低维度进行运算，从而提高了效率。例如用二值化，就会把矩阵的相乘变成矩阵相加减的运算，或者将其变成整型，通过一些量化的方式将一些相互接近的值采用同一个值来表示。另外一种就是把矩阵行或列减少，减少输入的channel。还有一种是把这个channel变成一个稀疏的（sparse）的矩阵，那么计算量和memory就会随之减少，其中现在很火IGC(Interleaved Group Convolutions)就是采用 structured sparse的结构。
对于一个传统的卷积，假设input channel是六个， 然后output channel是六个，假若卷积为5x5，那么complexity为6x5x5x6，group convolution会将其分为两组，对每一组分别做卷积，那么每一组的complexity为3x5x5x3，总的complexity为2x(3x5x5x3)，这样计算量和memory就减少了，但是带来的问题是两组之间没有特征相融，所以需要考虑将特征融合加入进去，提出了第二个IGC，也就是IGCV1，希望第一个group convolution不同组的channel可以在第二个group convolution里融合在一组，这样对于每一个output channel与所有的input channel都是相连的。如果将一个传统的卷积替换为IGC的话，就可以获得相当于原来1/2的memory和计算量的更高精度结果。同时比较了ImageNet上的一个实验，用的18层的ResNets网络，将其卷积变成IGC，获得了在memory更少和计算量更少的情况下，训练误差和验证误差都得到了降低。
另外一个相关的工作是Xception，用一个1x1的卷积，再接一个channel 3x3的卷积，这是一个特例的IGC，把第一个group convolution的组数等于channel数，第二个group convolution的group数等于1。实验比较之后，发现不是在极端的第二个group convolution的group数等于1的情况分类精度最高，而是在第二个group convolution的group数等于2的时候分类精度最高，不过第二个group convolution的计算量还是比较大，所以又进一步的将其中的卷积用IGC来替换，也就是IGCV2，同样的中间网络中的所有output channel与所有的input channel都是相连的。
IGCV2实际上是由一连串的group convolution组成的，在设计的时候需要满足两点：1.矩阵的形式不变，核（kernel）操作矩阵依然是一个稠密（dense）矩阵；2.前后group convolution互补，也就是在前面group convolution里不同组的channel，在后面的group convolution要在同一个组里面，这样最终得到的卷积矩阵也会是一个dense的矩阵。
通过实验比较，在同样的参数量的情况下，通过变换不同的参数，实验表明的满足前后group convolution互补的情况下，最终的结果是最好的。
在模型宽度一样的情况下，如何去选择各种参数，使得模型的参数量最少，也就是Balance condition。当Balance condition满足的时候，可以通过公式计算出参数量。
经过比较，IGCV2能够比IGCV1有更好的提高性能。而且实验表明，IGCV2在小model的情况，对性能的提升是很明显的。
IGCV3
本质上解决了低秩矩阵解决和IGCV2的问题。
将传统的卷积通过group convolution，提出了IGC的单元，把传统的卷积替换为IGC，可以获得一个更小、更快、更准的model。
信息来自：CVPR 2018 中国论文分享会
报告人：张婷 微软研究院
报告题目：Interleaved Structured Sparse Convolutional Neural Networks
论文 IGCV1：Interleaved Group Convolutions for Deep Neural Networks
论文 IGCV2：Interleaved Structured Sparse Convolutional Neural Networks
代码1：Deep Merge-and-Run Nets: https://github.com/zlmzju/fusenet
代码2：Interleaved group convolutions: https://github.com/hellozting/interleavedGroupConvolutons
