ACNet

论文&＃xff1a;ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks&＃xff08;ICCV 2019&＃xff09;
代码&＃xff1a;https://github.com/DingXiaoH/ACNet

动机

现在一般网络中 $3\ast 3$ 卷积核使用最为广泛&＃xff0c;为增强特征提取效率&＃xff0c;将 $3\ast 3$ 的卷积核拆分成几个不同形状卷积核的形式进行训练&＃xff0c;推理阶段将其融合为一个 $3\ast 3$ 卷积&＃xff0c;没有带来额外的计算量&＃xff0c;但是提取特征的能力更强。这依赖于卷积操作的可叠加性&＃xff1a;

非对称卷积

训练阶段

• 将卷积核分成三个部分&＃xff08;如下图&＃xff09;&＃xff0c;称为非对称卷积(Asymmetric Convolution)&＃xff0c;以增强提取特征的能力
• 横向卷积和纵向卷积可以提升网络对图像翻转的鲁棒性

测试阶段

• 卷积核完成了融合&＃xff0c;在测试时与普通卷积核一样并不增加计算量
  

融合方式

测试阶段在卷积核融合前BN比融合后BN的效果更好&＃xff0c;统一进行BN弱化了不同卷积之间的特点。

相关实验

参考文献

【1】ACNet——涨点且不增加耗时的技巧
【2】33卷积&＃43;13卷积&＃43;3*1卷积&＃61;白给的精度提升 | ICCV 2019
【3】ICCV 2019 ACNet实现说明 (PaddlePaddle Version)