本文旨在通过充分利用卷积探索一种更高效的编码空域特征的方式：通过组合ConvNet与ViT的设计理念，本文利用卷积调制操作对自注意力进行了简化，进而构建了一种新的ConvNet架构Conv2Former。ImageNet分类、COCO检测以及ADE20K分割任务上的实验结果表明：所提Conv2Former取得了优于主流ConvNet(如ConvNeXt)、ViT（如Swin Transformer）的性能。
本文方案
上图给出了本文方案架构示意图，类似ConvNeXt、SwinT，Conv2Former采用了金字塔架构，即含四个阶段、四种不同尺寸的特征，相邻阶段之间通过Patch Embedding模块(其实就是一个卷积核与stride均为
的卷积)进行特征空间分辨率与通道维度的恶变换。下表给出了不同大小Conv2Former的超参配置，
核心模块
上图给出了经典模块的架构示意图，从经典的残差模块到自注意力模块，再到新一代卷积模块。自注意力模块可以表示为如下形式：
尽管注意力
可以更好的编码空域相关性，但其计算复杂性随N而爆炸性增长。
本文则旨在对自注意力进行简化：采用卷积特征对V进行调制。假设输入
，所提卷积调制模块描述如下：
需要注意的是：上式中
表示Hadamard乘积。上述卷积调制模块使得每个位置的元素与其
近邻相关，而通道间的信息聚合则可以通过线性层实现。下面给出了该核心模块的实现代码。
代码语言：javascript复制class ConvMod(nn.Module):
def __init__(self, dim):
super().__init__()
self.norm = LayerNorm(dim, eps=1e-6, data_format='channel_first')
self.a = nn.Sequential(
nn.Conv2d(dim, dim, 1),
nn.GELU(),
nn.Conv2d(dim, dim, 11, padding=5, groups=dim)
)
self.v = nn.Conv2d(dim, dim, 1)
self.proj = nn.Conv2d(dim, dim, 1)
def forward(self, x):
B, C, H, W = x.shape
x = self.norm(x)
a = self.a(x)
v = self.v(x)
x = a * v
x = self.proj(x)
return x
微观设计理念
Larger Kernel than
如何更好的利用卷积对于CNN设计非常重要！自从VGG、ResNet以来，
卷积成为ConvNet的标准选择；Xception引入了深度分离卷积打破了该局面；再后来，ConvNeXt表明卷积核从3提升到7可以进一步改善模型性能。然而，当不采用重参数而进一步提升核尺寸并不会带来性能性能提升，但会导致更高计算负担。
作者认为：ConvNeXt从大于
卷积中受益极小的原因在于使用空域卷积的方式。对于Conv2Former，从
到
，伴随核尺寸的提升可以观察到Conv2Former性能一致提升。该现象不仅发生在Conv2Former-T(
)，同样在Conv2Former-B得到了体现(
)。考虑到模型效率，作者将默认尺寸设置为
。
Weighting Strategy 正如前面图示可以看到：作者采用Depthwise卷积的输出对特征V进行加权调制。需要注意的是，在Hadamard乘积之前并未添加任务规范化层(如Sigmoid、
)，而这是取得优异性能的重要因素(类似SENet添加Sigmoid会导致性能下降超0.5%)。
Normalization and Activations 对于规范化层，作者参考ViT与ConvNeXt采用了Layer Normalization，而非卷积网络中常用的Batch Normalization；对于激活层，作者采用了GELU(作者发现，LN GELU组合可以带来0.1%-0.2%的性能提升)。
本文实验
上述两表给出了ImageNet分类任务上不同方案的性能对比，从中可以看到：
- 在tiny-size(<30M)方面，相比ConvNeXt-T与SwinT-T，Conv2Former-T分别取得了1.1%与1.7%的性能提升。值得称道的是，Conv2Former-N仅需15M参数量 2.2GFLOPs取得了与SwinT-T(28M参数量 4.5GFLOPs)相当的性能。
- 在base-size方面，相比ConvNeXt-B与SwinT-B，Conv2Former-B仍取得了0.6%与0.9%的性能提升。
- 相比其他主流模型，在相近大小下，所提Conv2Former同样表现更优。值得一提的是，相比EfficientNet-B7，Conv2Former-B精度稍有(84.4% vs 84.3%)，但计算量大幅减少(15G vs 37G)。
- 当采用ImageNet-22K预训练后，Conv2Former的性能可以进一步提升，同时仍比其他方案更优。Conv2Former-L甚至取得了87.7% 的优异指标。
采用大核卷积是一种很直接的辅助CNN构建长程相关性的方法，但直接使用大核卷积使得所提模型难以优化。从上表可以看到：当不采用其他训练技术(如重参数、稀疏权值)时，Conv2Former采用
时已可取得更好的性能；当采用更大的
核时，Conv2Former取得了进一步的性能提升。
上表给出了COCO检测任务上不同方案的性能对比，从中可以看到：
- 在tiny-size方面，相比SwinT-T与ConvNeXt-T，Conv2Former-T取得了2% 的检测指标提升，实例分割指标提升同样超过1%；
- 当采用Cascade Mask R-CNN框架时，Conv2Former仍具有超1%的性能提升。
- 当进一步增大模型时，性能优势则变得更为明显；
上表给出了ADE20K分割任务上的性能对比，从中可以看到：
- 在不同尺度模型下，Conv2Former均具有比SwinT与ConvNeXt更优的性能；
- 相比ConvNeXt，在tiny尺寸方面性能提升1.3%mIoU，在base尺寸方面性能提升1.1%；
- 当进一步提升模型尺寸，Conv2Former-L取得了54.3%mIoU，明显优于Swin-L与ConvNeXt-L。
一点疑惑解析
到这里，关于Conv2Former的介绍也就结束了。但是，心里仍有一点疑惑存在：Conv2Former与VAN的区别到底是什么呢？关于VAN的介绍可参考笔者之前的分享：《优于ConvNeXt，南开&清华开源基于大核注意力的VAN架构》。
先来看一下两者的定义，看上去两者并无本质上的区别(
均为点乘操作)，均为大核卷积注意力。
- VAN：
- Conv2Former
结合作者开源代码，笔者绘制了上图，左图为Conv2Former核心模块，右图为VAN核心模块。两者差别还是比较明显的！
- 虽然大核卷积注意力均是其核心，但Conv2Former延续了自注意力的设计范式，大核卷积注意力是其核心；而VAN则是采用传统Bottleneck设计范式，大核卷积注意力的作用类似于SE。
- 从大核卷积内在机理来看，Conv2Former仅考虑了的空域建模，而VAN则同时考虑了空域与通道两个维度；
- 在规范化层方面，Conv2Former采用了Transformer一贯的LayerNorm，而VAN则采用了CNN一贯的BatchNorm;
- 值得一提的是：两者在大核卷积注意力方面均未使用Sigmoid激活函数。两者均发现：使用Sigmoid激活会导致0.2%左右的性能下降。
为更好对比Conv2Former与VAN的性能，特汇总上表(注：GFLOPs列仅汇总了
)在Image输入时的计算量Net-1K上的指标进行了对比，可以看到：在同等参数量前提下，两者基本相当，差别仅在0.1%。此外，考虑到作者所提到的“LN GELU的组合可以带来0.1%-0.2%的性能提升”，两者就算是打成平手了吧，哈哈。
