轻量级通用上采样算子-CARAFE

转载：https://zhuanlan.zhihu.com/p/76063768

前言

这篇论文被 ICCV 2019 接收为 oral presentation。之前我们主要研究物体检测（例如 Hybrid Task Cascade，Guided Anchoring，Libra R-CNN 和 Prime Sample Attention），这次尝试跳出单纯的物体检测框架，解决一些通用模块和算子的问题。上采样操作是各种网络结构里广泛使用的运算之一，我们提出了一个轻量级的通用上采样算子 CARAFE（音[kə'ræf]），相对最近邻和双线性等上采样算子，在不同任务中都取得了显著的提升，同时只引入很少的参数量和计算代价。

【一分钟批阅版】

上采样操作可以表示为每个位置的上采样核和输入特征图中对应邻域的像素做点积，我们称之为特征重组。我们提出的上采样操作 CARAFE 在重组时可以有较大的感受野，会根据输入特征来指导重组过程，同时整个算子比较轻量级。具体来说，我们首先利用输入特征图来预测上采样核，每个位置的上采样核是不同的，然后基于预测的上采样核来进行特征重组。在不同的任务中，CARAFE 都取得了明显的提升，同时仅带来很小的额外参数和计算量。

【十分钟催眠版】

上采样的表示

我们将特征图的上采样运算看做是特征重组的过程。对于输出特征图中的每个像素点 L'，我们都可以找到它在输入特征图中的对应位置 L，L' 这个点的值可以表示成以输入特征图中以 L 为中心的一个邻域内的像素和一个上采样核的点积（加权和）。以双线性上采样为例，输出特征图中每个像素可以看作是一个 2x2 的上采样核和输入特征图中一个 2x2 的邻域的点积。在下图中，上采样核的 4 个数值均为 0.5。

Motivation

最近邻或者双线性上采样仅通过像素点的空间位置来决定上采样核，并没有利用到特征图的语义信息，可以看作是一种“均匀”的上采样，而且感知域通常都很小（最近邻 1x1，双线性 2x2）。Deconvolution 算子的上采样核并不是通过像素间的距离计算，而是通过网络学出来的，但对于特征图每个位置都是应用相同的上采样核，不能捕捉到特征图内容的信息，另外引入了大量参数和计算量，尤其是当上采样核尺寸较大的时候。Dynamic filter 对于特征图每个位置都会预测一组不同的上采样核，但是参数量和计算量更加爆炸，而且公认比较难学习。

那么我们所希望的上采样算子应该具备以下几个特性。

Large receptive field：需要具有较大的感受野，这样才能更好地利用周围的信息。
Content-aware：上采样核应该和特征图的语义信息相关，基于输入内容进行上采样。
Lightweight：不能引入过多的参数和计算量，需要保持轻量化。

从全称 Content-Aware ReAssembly of FEatures 可以看出，CARAFE 正是具备这几个特性的上采样算子。

方法概述

CARAFE 分为两个主要模块，分别是上采样核预测模块和特征重组模块。假设上采样倍率为 $\sigma$ ，给定一个形状为 $H\times W \times C$ 的输入特征图，我们首先利用上采样核预测模块预测上采样核，然后利用特征重组模块完成上采样，得到形状为 $\sigma H\times\sigma W\times C$ 的输出特征图。

上采样核预测模块

1. 特征图通道压缩

对于形状为 $H\times W\times C$ 的输入特征图，我们首先用一个 $1\times1$ 卷积将它的通道数压缩到 $C_m$ ，这一步的主要目的是减小后续步骤的计算量。

2. 内容编码及上采样核预测

假设上采样核尺寸为 $k_{up}\times k_{up}$ （越大的上采样核意味着更大的感受野和更大的计算量），如果我们希望对输出特征图的每个位置使用不同的上采样核，那么我们需要预测的上采样核形状为 $\sigma H\times\sigma W\times k_{up}\times k_{up}$ 。

对于第一步中压缩后的输入特征图，我们利用一个 $k_{encoder}\times k_{encoder}$ 的卷积层来预测上采样核，输入通道数为 $C_m$ ，输出通道数为 $\sigma^2k_{up}^2$ ，然后我们将通道维在空间维展开，得到形状为 $\sigma H\times\sigma W\times k_{up}^2$ 的上采样核。