【DRNet】2021-Arxiv-Dynamic Resolution Network

DRNet

2021-Arxiv-Dynamic Resolution Network (06.05)

来源: ChenBong 博客园

• Institute：Zhejiang University, Huawei Noah’s Ark Lab
• Author：Mingjian Zhu, Yunhe Wang
• GitHub：/
• Citation：/

Introduction

instance-aware 的动态分辨率网络

在backbone网络之前, 增加一个resolution predictor(Conv+FC) 模块, 输入为原始图片, 输出为识别该图片所需的分辨率, 将该图片resize成所预测的分辨率, 再输入后续的backbone网络

引入resolution predictor会增加计算量, 但减小分辨率可以在backbone网络中减少计算量 (需要满足: 收益>增加的开销)

Motivation

Contribution

Method

Resolution Predictor

Resolution Predictor (R) 根据输入样本 (X) , 输出一个soft概率向量 (R(X)=p_{r}=left[p_{r_{1}}, p_{r_{2}}, ldots, p_{r_{m}} ight] qquad(1))

根据soft概率向量 (p_r) 采样得到one-hot向量 (h) , 选中对应的 resolution 输入到backbone网络进行训练

采样的过程是不可导的(梯度无法反向传播到predictor的参数上), 采用Gumbel-Softmax trick, 将采样节点分离到计算图之外,使predictor参数也可以接受反向传播:

e.g. (zsim N(x, phi^2)) ==> (varepsilon sim N(0,1), z=x+varepsilon cdot phi)

(mathbb{G}(R(X))=mathbb{G}left(p_{r} ight)=h=[h_1, h_2, ..., h_j] qquad (2))

(h_{j}=frac{exp left(log left(pi_{j} ight)+g_{j} ight) / au}{sum_{j=1}^{m} exp left(left(log left(pi_{j} ight)+g_{j} / au ight) ight)} qquad (11)) , 其中 (g_i) 是Gumbel噪声, 服从Gumbel分布; (τ) 为温度系数( ( au) 取很小的值, (h) 即为one-hot向量)

选中对应的分辨率, 输入到后续的backbone model: (hat{X}=sum_{j=1}^{m} h_{j} X_{r_{j}} qquad (4))

Resolution-aware BN

每个分辨率一个私有BN (ps. 训练时应该没有影响, inference时无需校正BN)

Loss

CE Loss

(L_{c e}=mathcal{H}(hat{y}, y) qquad (5))

FLOPs regularization Loss

(F=sum_{j=1}^{m}left(C_{j} cdot h_{j} ight) qquad (6)) , F是某个样本真实的推理FLOPs, (C_j) 是第 (j) 个分辨率对应的FLOPs, (h_j) 是one-hot向量, 一共m种分辨率

(L_{r e g}=max left(0, frac{mathbb{E}(F)-alpha}{C_{max }-C_{min }} ight) qquad (7)) , 其中 (alpha) 是目标FLOPs, 超过目标FLOPs时施加惩罚

Total Loss

(L=L_{c e}+eta L_{r e g} qquad (8)) , 其中 (eta) 是超参数

Experiments

Setting

• dateset
  • ImageNet 100
  • ImageNet 1k
• resolution
  • ResNet: [1.0x, 0.75x, 0.5x] of 224x224
  • MobileNetV2: [1.0x, 0.875x, 0.75x] of 224x224
• resolution predictor model
  • ResNet
    • 4-stage residual network, each stage contains one residual basic block
    • input resolution 128×128
    • FLOPs=300M
  • MobileNet
    • 4-stage residual network, each stage contains one inverted residual block
    • input resolution 64×64
    • FLOPs没讲 &&
• train pre-train backbone model without resolution predictor
  • ResNet
    • different resolution
    • epoch=70, batch size=256, weight decay=1e-4, momentum=0.9
    • init lr=0.1, decay by 10 every 20 epoch
  • MobileNet V2
    • follows the original paper (&& 250 epoch?)
• train resolution predictor model && fine-tune backbone model
  • ResNet
    • epoch=100
    • init lr=0.1, decay by 10 every 30 epoch
  • MobileNet V2
    • follows the original paper (&& 250 epoch?)
• GPU: V100

ImageNet 100 (Ablation)

表1, 3/4行, 对RA-BN做消融

表2, 对Loss项中的超参 (eta) 和 flops约束 (alpha) 做消融

ImageNet 1k

Other

Comparison with filter pruning

与剪枝的方法正交, 可以与剪枝方法结合(表4 中)

Comparison with random sample

Latency

可以实现实际的加速 &&测速?

Visualization

Conclusion

Summary

cons:

• Resolution predictor module
  • 设计过于复杂, 计算开销太大(300M FLOPs)
  • 不统一(不同backbone使用不同的predictor结构)
  • 实际上并不是end-to-end的训练
• latency实验中, 测速的问题
• gumbel softmax只解决了从概率分布p采样onehot p的梯度回传, resize部分是如何将backbone梯度回传到resolution Predictor的?

To Read

Reference

Gumbel-Softmax Trick和Gumbel分布 - initial_h - 博客园 (cnblogs.com)