深度网络设计技巧(五)之VAN：Visual Attention Network#超越Swin的纯CNN#
单位：清华，南开（程明明团队）
ArXiv：https://arxiv.org/abs/2202.09741
Github: https://github.com/Visual-Attention-Network
导读：
今天了解一个卷积的新操作，即解耦卷积。说是新，其实旧，比如MobileNet为了高效率地推断，将一个标准的CNN看成一个Depth-wise CNN和Point-wise CNN，即解耦。本篇文章将一个更大的卷积核解耦成三个不同类型的CNN操作。虽然取得了超过众多SOTA的性能，但是在MLP中采用经典的DW-FFN，究竟是MLP带来了性能提升，还是大核注意力起了作用，有点存疑！
文章目录
摘要
尽管初衷为自然语言理解而设计的，但最近自注意力机制已经席卷了计算机视觉各个领域。但是，图像的2D本质给自注意力机制应用到计算机视觉中带来三个挑战：
- 将图像看成1D序列，忽略了其2D结构；
- 对于高分辨率图像，具有平方复杂度的运算量；
- 仅仅抓捕空间注意力，但忽略了通道注意
本篇文章提出大核注意力（large kernel attention）模块，在避免上述问题的同时，实现了自注意力中自适应和长距离的相关性。基于LKA模块，设计了一个视觉注意力网络，即Visual Attention Network，VAN。VAN架构极其简洁，在广泛的实验中如识别、检测、语义分割、实例分割等任务中超过了当前SOTA的transformer架构，并且较大优势超过了CNN。
一、网络设计
1.1 CNN与Self-Attention
上面分析了自注意力的三个缺点，而CNN操作采用静态的权值而缺乏适应性，而适应性被证明起着关键的作用。Convolution operation adopts static weight and lacks adaptability, which has been proven critical [36,16].
本篇作者设计的LKA模块，结合了CNN和自注意力的优点，包括局部结构信息、长距离依赖性和适应性，并且避免了自注意力的缺点，对通道适应性也考虑进去。
1.2 大核注意力，LKA
S
t
a
n
d
a
r
d
C
N
N
=
D
W
C
N
N
+
D
i
l
a
t
e
d
C
N
N
+
P
W
C
N
N
Standard^{CNN} = DW^{CNN} + Dilated^{CNN} + PW^{CNN}
StandardCNN=DWCNN+DilatedCNN+PWCNN
分解LKA的一种范式。该范式显示了一个13×13的卷积能够解耦成一个5×5的DW-CNN，一个dilation=3的5×5 DW-CNN和一个PW-CNN。
如同MobileNet中，将一个标准的卷积解耦成两个部分，即depth-wise卷积和point-wise卷积，DW-CNN和PW-CNN；作者将一个卷积操作解耦成三部分，即DW-CNN、Dilated-CNN和PW-CNN。如上图所示，通过该方法能够有效解耦大核的卷积运算。
图(a)和图(b)的区别在于同位元素点乘。
1.3 几种注意力
LKA可以描述成：
其中
F
∈
R
C
×
H
×
W
F in R^{C times H times W}
F∈RC×H×W是输入特征，
A
t
t
e
n
t
i
o
n
∈
R
C
×
H
×
W
Attention in R^{C times H times W}
Attention∈RC×H×W表示注意力图。注意力图中的数值对应每个特征的重要程度。
⊗
otimes
⊗指的是同位元素乘法。
通过上述表格，可以看出LKA考虑了局部上下文信息、长距离感受野、动态处理即通道适应性与空间适应性。而CNN和Self-Attention只考虑部分特性。
1.4 MLP，多层感知器
多层感知器，在CNN出来之前就非常流行，但是因为全连接的方式，运算量大、效率低而陷入低迷。最近，一些研究将标准的MLP解耦成一个空间MLP和通道MLP，使得性能提升。与作者的MLP比较相近的结构是gMLP(还没了解这个结构，暂且保留)。gMLP有两个缺点：1）尺度敏感，只能处理固定尺度的图像；2）只考虑全局信息，而忽略了局部结构。而作者设计的结构能克服这两点。
class Mlp(nn.Module):
def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.):
super().__init__()
out_features = out_features or in_features
hidden_features = hidden_features or in_features
self.fc1 = nn.Conv2d(in_features, hidden_features, 1)
self.dwconv = DWConv(hidden_features)
self.act = act_layer()
self.fc2 = nn.Conv2d(hidden_features, out_features, 1)
self.drop = nn.Dropout(drop)
#方便看代码，隐去了初始化
def forward(self, x):
x = self.fc1(x)
x = self.dwconv(x)
x = self.act(x)
x = self.drop(x)
x = self.fc2(x)
x = self.drop(x)
return
对作者MLP的表达存疑，它就是一个常用扩展了DW-CNN的反馈网络。并且，DW-CNN的通道那么大，对结果肯定有提升。腐蚀实验里面，只对LKA对比分析了。那么，LKA起多大作用就不好说。
1.5 复杂度分析
作者采用通用的分析策略，即对比参数量和浮点运算次数，Floating point opertions （FLOPs）。为了简洁格式，计算过程省略了偏置，假设输入和输出特征尺度都为
H
×
W
×
C
H times W times C
H×W×C，那么参数量和运算量计算如下：
这里前提是参照上述解耦图，即一个
K
×
K
K times K
K×K的卷积可以分解为一个dilation=d、卷积核为
K
d
frac{K}{d}
dK的Depth-wise dilation convolution，一个
(
2
d
−
1
)
(
2
d
−
1
)
(2d-1)(2d-1)
(2d−1)(2d−1)的DW-CNN，以及一个
1
×
1
1 times 1
1×1的PW-CNN。
Number of parameters for different forms of a 21×21 convolution. 该表格对比三种CNN在相同Kernel和Channel的参数量，即标准的CNN、MobileNet以及LKA。
二 实验
2.1 可视化
作者采用Grad-CAM可视化了Swin-T、ConvNext-T、VAN-Base的CAM，即class activation map，激活类热力图。
2.2 性能对比
这幅图将最近SOTA方法都做了比较，实验充分，在ImangNet val集上，在运算量（GFLOPs）和参数量（param）同等条件下取得了最好性能（Acc）。