【导读】本篇文章是【最强ResNet改进系列】的第四篇文章，前面我们已经介绍了Res2Net和ResNeSt，具体见：【最强ResNet改进系列】Res2Net：一种新的多尺度网络结构，性能提升显著 和【CV中的注意力机制】史上最强"ResNet"变体--ResNeSt。本文我们将着重讲解IResNet，阿联酋起源人工智能研究院（IIAI）的研究人员，进一步深入研究了残差网络不能更深的原因，提出了改进版的残差网络（Improved Residual Networks for Image and Video Recognition），IResNet可训练网络超过3000层！相同深度但精度更高，与此同时，IResNet还能达到涨点不涨计算量的效果，在多个计算机视觉任务（图像分类，COCO目标检测，视频动作识别）中精度得到了显著提升。
IResNet
- 论文地址：https://arxiv.org/abs/2004.04989
- 代码地址：https://github.com/iduta/iresnet
摘要与创新点
残差网络(ResNet)是一种功能强大的卷积神经网络(CNN)结构，目前已被广泛应用于各种任务中。何恺明大神在2015年的深度残差网络（Deep Residual Network, 简写为 ResNet）可以说是过去几年中计算机视觉和深度学习领域最具开创性的工作。本文，我们提出了一个基于ResNet的改进版本。我们主要针对ResNet的三个主要组成部分进行了改进:通过网络层的信息流、the residual building block 和 the projection shortcut。IResNet能够在准确性和学习收敛性方面上都超过ResNet。例如，在ImageNet数据集上，使用具有50层的ResNet，对于top-1精度，本文方法可以比ResNet提高1.19％，而另一种配置则提高约2％。重要的是，无需增加模型复杂性即可获得这些改进。我们提出的方法允许我们训练极深的网络，而ResNet却有着严重的优化问题。我们报告了6个数据集上3个任务的结果:图像分类(ImageNet、CIFAR-10和CIFAR-100)、目标检测(COCO)和视频动作识别(Kinetics-400和Something-Something-v2)。在深度学习时代，我们为CNN的深度建立了一个新的里程碑。我们成功在ImageNet数据集上训练了404层网络的模型，在CIFAR-10和CIFAR-100数据集上训练了3002层网络的模型，而原始的残差网络在达到上述层数的时候已经无法收敛。
IResNet的主要创新点：
1）引入了一个新的网络结构，增强了信息流动和网络表达能力（Improved flow of information）
2）减少信息损失（Improved projection shortcut）
3）在不增加计算量的前提下，增强了残差模块的学习能力（Grouped building block）
因残差网络几乎已经成为所有深度卷积网络的标配，“涨点又不涨计算量”的iResNet的出现，或可影响深远。下面我们将着重来讲解一下这三大改进点。
主要改进点
1. Improved information flow through the network
残差网络 (ResNet) 是由许多残差块(ResBlocks)叠加而成的。图1(a)给出了一个残差块的例子。从公式上每个残差块可以定义为:
其其中，
和
分别是 第
个残差块的输入和输出向量，
代表激活函数。
是一个可学习的残差映射函数(即残差学习要学习的东西，当学习到0时，那么
=
，从而实现恒等映射)，它可以有许多层组成(下标
来表示指定层)。例如，一个bottleneck ResBlock有三层，那么
但从图1(a)和公式可以看出，在主传播路径上存在ReLU激活函数。通过负信号则将归零，这个ReLU可能会对信息的传播产生潜在的负面影响，尤其在训练开始时，会存在很多负权值(虽然一段时间后，网络会开始调整权值，以输出不受影响的正信号来通过ReLU)。关于上述问题在[2]中有研究(见图1(b))，他们提出了一个种新的ResBlock，称为pre-activation，即将最后的BN和ReLU移动到最前面。主传播路径上没有如ReLU非线性激活函数，导致了许多Block之间缺少非线性，又限制了学习能力。其实，就是从一个极端走向了另一个极端，原始的ResNet在主路径上用很多门(例如ReLU)来阻碍信息的传播，而pre-act则让信号直接通过没有加以控制的主路径。此外，原始ResNet和pre-act的主路径上没有BN进行标准化，因此，使得全信号(即+完后的信号,full signal)的一部分没有进行标准化，进而加大了学习的难度。
作者认为原始的ResNet网络模块中的ReLU在将负信号置0时影响了信息的传播，这种情形在刚开始训练时尤其严重，因而，本文提出了一种分网络阶段（stage）的三种不同残差构建模块。每个stage都包含有上图中的start ResBlock、Middle ResBlock、End ResBlock三种残差模块，每个stage有一个start ResBlock 、一个End ResBlock 和数个Middle ResBlock。
以50层的残差网络为例，首先把ResNet-50网络结构分为三个阶段，分别是1个starting stage、4个main stages、1个ending stage。4个main stages中的每个main stage都包含若干Blocks: main stage1有3个ResBlock， main stage2有4个，main stage3有6个，main stage4有3个。每个main stage中的ResBlock共有三种，如图1中(c)所示，一个main stage内部组成方式依次为:一个Start ResBlock、若干个Middle ResBlock(可任意数量，如在ResNet-50中main stage1有一个,main stage3有四个)、一个End ResBlock。如下图为改进后的ResNet-50网络结构图。每一个ResBlock有三层卷积(两个
，一个
)，共有16个ResBlock，则层数共有
。每个Main Stage中的ResBlock有不同的设计。我们把这种分段组织结构的ResNet叫ResStage network。
2. Improved projection shortcut
projection shortcut 被用于残差网络特征维度改变的时候，用于将不同特征维度的特征相加之前的处理。原始的残差网络使用stride为2的1x1卷积进行通道的改变。如下图中的（a）。
作者认为1x1卷积丢弃了大量信息，如图中(b)所示。对于spacial projection，作者使用stride=2的3×3max pooling层，然后，对于channel projection使用stride=1的1×1 conv，然后再跟BN。
这样做的优点在于：
spacial projection将考虑来自特征映射的所有信息，并在下一步中选择激活度最高的元素,减少了信息的损失，后面的实验结果也证明了这点。这样改进后的projection shortcut，在通道流程上可以看作是“软下采样（conv3*3）”和“硬下采样（3*3max pooling）”两种方式的结合，是两种方式优势的互补。“硬采样”有助于分类（选择激活程度最高的元素），而“软采样”也有助于不丢失所有空间背景（因此，有助于更好的定位，因为元素之间可以进行过渡比较平滑）。同样这个改进并不增加模型复杂度和模型参数量，非常实惠。
作者将ResStage和改进后的projection shortcut用在了ResNet上，并把这个网络成为IResNet。
3. Grouped building block
作者认为原始的残差网络中瓶颈模块（bottleneck block）不够好，这种上下粗中间细的结构中，前面的1x1卷积是为了降通道数进而减少计算量，后面的1x1卷积是为了特征对齐，3x3卷积部分被限制了，只有它在“认真的”学习特征模式，将其通道数减少虽然提高了计算速度，却降低了网络表达能力。（算是一种不得已而为之的设计吧）
而新的组卷积（Group conv）技术方案恰好可以解决这个问题。所以作者提出使用组卷积构建模块替换瓶颈模块。
如下图：
ResGroup在不增加计算量的前提下可更好的让3x3卷积发挥作用。
实验结果
我们在6个数据集上进行了实验，使用IResNet模块，可以训练更深层的网络模型，而且相对原始方案，在相同深度时，iResNet的精度也更高。
下图为在ImageNet上训练50、101、152、200层网络时的结果比较：
可见原始残差网络在超过152层时精度开始下降，iResNet精度一直在上升，且比其他方案的精度更好。
下图为训练时的验证集精度曲线，从趋势上看，iResNet具有持续精度提升的表现。
下图为训练404层iResNet网络和152、200层ResNet网络的比较：
随着层数增多，iResNet网络的精度持续提高。
在视频动作识别人中中使用iResNet也明显改进了结果：
在CIFAR-10和CIFAR-100数据集上，不同深度网络的表现：
iResNet的精度随着层数增加到2000层时精度还在提升，达到3002层时精度下降，而ResNet无法在2000层收敛。
在COCO目标检测数据集利用SSD检测方法，将iResNet作为backbone训练结果显示，同样取得了精度提升。
iResNet与其他知名图像分类算法在ImageNet数据集上的比较：
iResNet 比大部分方法好，但使用了其他技巧的顶尖选手NASNet-A和SENet-154的精度更高，而 iResNet 可以用来构建这些网络。
Conclusion
这项工作提出了一个ResNet的改进版本。IResNet主要改进了ResNet的三个主要组成部分:通过网络层的信息流、the residual building block 和 the projection shortcut。IResNet能够在准确性和学习收敛性方面上都超过ResNet，例如，在ImageNet数据集上，使用具有50层的ResNet，对于，在不同配置下的，top-1精度提升范围在1.19%到2.33%之间。这些改进是在不增加模型复杂性的情况下获得的。我们提出的方法允许我们训练极深的网络，当训练超过400层(ImageNet上)和超过3000层(CIFAR-10/100上)的网络时，没有出现难以优化的问题。本文提出的方法可成为训练超深网络的工具，或可启发其他算法的出现，iResNet 可完美替换ResNet，精度提高计算量不增加，所以在实际应用中也不失为一个好的选择。
