可能是最好的ReLU改进,微软推出提点神器Dynamic ReLU丨ECCV 2020

极市平台

共 2421字,需浏览 5分钟

 ·

2020-09-11 22:41

↑ 点击蓝字 关注极市平台

作者丨 VincentLee
来源丨 晓飞的算法工程笔记 
编辑丨极市平台

极市导读

 

这篇论文提出了一种动态ReLU。根据输入,它能动态地调整对应的分段激活函数,以较少的额外计算量大幅提升性能。


Dynamic ReLU


论文地址:https://arxiv.org/abs/2003.10027

论文代码:https://github.com/Islanna/DynamicReLU


Introduction

 ReLU是深度学习中很重要的里程碑,简单但强大,能够极大地提升神经网络的性能。目前也有很多ReLU的改进版,比如Leaky ReLU和 PReLU,而这些改进版和原版的最终参数都是固定的。所以论文自然而然地想到,如果能够根据输入特征来调整ReLU的参数可能会更好。
基于上面的想法,论文提出了动态ReLU(DY-ReLU)。如图2所示,DY-ReLU是一个分段函数,参数由超函数根据输入得到。超函数综合输入的各维度上下文来自适应激活函数,能够在带来少量额外计算的情况下,显著地提高网络的表达能力。另外,论文提供了三种形态的DY-ReLU,在空间位置和维度上有不同的共享机制。不同形态的DY-ReLU适用于不同的任务,论文也通过实验验证,DY-ReLU在关键点识别和图像分类上均有不错的提升。

Definition and Implementation of Dynamic ReLU

Definition

定义原版的ReLU为为输入向量,对于输入的维特征,激活值计算为。ReLU可统一表示为分段线性函数,论文基于这个分段函数扩展出动态ReLU,基于所有的输入自适应,
因子为超函数的输出:
 为函数数量,为维度数,激活参数不仅与相关,也与相关。

Implementation of hyper function

论文采用类似与SE模块的轻量级网络进行超函数的实现,对于大小为的输入,首先使用全局平均池化进行压缩,然后使用两个全连接层(中间包含ReLU)进行处理,最后接一个归一化层将结果约束在-1和1之间,归一化层使用为Sigmoid函数。子网共输出个元素,分别对应的残差,最终的输出为初始值和残差之和:
 的初始值,是用来控制残差大小的标量。对于的情况,默认参数为,即为原版ReLU,标量默认为

Relation to Prior Work

DY-ReLU的可能性很大,表1展示了DY-ReLU与原版ReLU以及其变种的关系。在学习到特定的参数后,DY-ReLU可等价于ReLU、LeakyReLU以及PReLU。而当,偏置时,则等价于SE模块。另外DY-ReLU也可以是一个动态且高效的Maxout算子,相当于将Maxout的个卷积转换为个动态的线性变化,然后同样地输出最大值。

Variations of Dynamic ReLU

论文提供了三种形态的DY-ReLU,在空间位置和维度上有不同的共享机制:

DY-ReLU-A

空间位置和维度均共享(spatial and channel-shared),计算如图2a所示,仅需输出个参数,计算最简单,表达能力也最弱。

DY-ReLU-B

仅空间位置共享(spatial-shared and channel-wise),计算如图2b所示,输出个参数。

DY-ReLU-C

空间位置和维度均不共享(spatial and channel-wise),每个维度的每个元素都有对应的激活函数。虽然表达能力很强,但需要输出的参数()太多了,像前面那要直接用全连接层输出会带来过多的额外计算。为此论文进行了改进,计算如图2c所示,将空间位置分解到另一个attention分支,最后将维度参数乘以空间位置attention。attention的计算简单地使用卷积和归一化方法,归一化使用了带约束的softmax函数:
 用于将attention平均,论文设为为温度,训练前期设较大的值(10)用于防止attention过于稀疏。

Experimental Results

  图像分类对比实验
  关键点识别对比实验
  与ReLU在ImageNet上进行多方面对比

 与其它激活函数进行实验对比
可视化DY-ReLU在不同block的输入输出以及斜率变化,可看出其动态性

Conclusion


论文提出了动态ReLU,能够根据输入动态地调整对应的分段激活函数,与ReLU及其变种对比,仅需额外的少量计算即可带来大幅的性能提升,能无缝嵌入到当前的主流模型中。前面有提到一篇APReLU,也是做动态ReLU,子网结构十分相似,但DY-ReLU由于的存在,可能性和效果比APReLU更大。


推荐阅读



添加极市小助手微信(ID : cvmart2),备注:姓名-学校/公司-研究方向-城市(如:小极-北大-目标检测-深圳),即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群:每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~

△长按添加极市小助手

△长按关注极市平台,获取最新CV干货

觉得有用麻烦给个在看啦~  
浏览 25
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报