Paper | Spatially Adaptive Computation Time for Residual Networks

Paper | Spatially Adaptive Computation Time for Residual Networks

目录

• 摘要
• 故事
• SACT机制
  • ACT机制
  • SACT机制
• 实验

发表在2017年CVPR。

摘要

在图像检测任务中，对于图像不同的区域，我们可以分配不同层数的网络予以处理。

本文就提出了一个基于ResNet的层数可调网络，可以端到端训练、确定的（deterministic）并且是问题不可知的（problem-agnostic），即可用于其他计算机视觉任务。

作者发现，该网络不仅能提高ResNet计算效率，而且其表现也与人类的注意力机制相符，如图1。

故事

• DCNN被广泛应用于各种计算机视觉问题，并且逐渐成为SOTA方法必不可少的组分 =>

• 然而，DCNN最大的问题在于其计算负担重 =>

• 一种自然的方法是像人类一样，采取注意力机制 =>

• 例如，glimpse-based注意力模型只处理少数重点区域。
  

  
  

  显然这种方法不适用于图像转换问题或逐像素预测问题，如分割。
  

  
  

  并且，预测重点区域需要额外的子网络或启发过程[1] =>

• 除此之外，我们还可以采取空域软注意力模型。
  

  
  

  但它们压根不会节省计算量，反而可能增加计算量（计算权值） =>

• 为此，我们采用最近用于RNN的ACT（Adaptive Computation Time）[12]机制。
  

  
  

  我们将展示：ACT可以动态决策ResNet的层数 =>

• 进一步，我们提出空域自适应的计算时间算法SACT，可以根据空域计算量完成ACT。
  

  
  

  在COCO上的实验证明：SACT超过了ACT和非适应算法。
  

  
  

SACT机制

SACT是一个可以端到端训练的结构。

其将注意力机制融入ResNet。

它学习的是一种确定性的决策模式：若特征变得足够好，那么某个空域位置上的计算就将停止。

由于SACT会在图像和特征图之间保持对齐（maintains the alighment），因此SACT适用于逐像素预测任务。

ACT机制

ResNet由多个Residual block组成，而每一个block内有多个residual unit。

每一个unit就是一个\(F(x) = x + f(x)\)函数，其中后者是一个3层卷积：首先是1x1卷积降通道数，然后3x3卷积通道尺寸不变，最后是1x1卷积还原通道数。

为了实现ACT，作者在每个unit的输出端都加入一个分支，预测停止得分（halting score）：一个在0、1之间的标量。

如图3，该得分会在一个block内累积。

当累积至1时，推导就停止，后面的unit都会被跳过。

并且，根据这个得分，我们还可以计算剩余得分R，以及最终的停留成本ponder cost（见2.1节）。

最终的输出也是前面特征的加权求和，权值就是各unit得分。

为什么要这么设计呢？因为我们通过惩罚这个停留成本，可以让网络尽早停止（ponder cost惩罚经过的unit数量），同时又能得到可靠的输出（最终输出是各unit的加权求和）。

该ponder cost会被加权，然后计入总损失函数。

注意，每个block内都会单独执行一次ACT。

具体而言，该停止得分是通过一个简单的线性方程得到的。

其先对输入平均池化，然后输入线性方程，经sigmoid输出。

SACT机制

上面的ACT机制，是对每一个unit设计了一个停止得分，然后不断累加。

在这里，SACT就是对空域特征设计了停止得分，如图4。

如果某个位置被停止，那么其将直接复制（相当于设置残差为0），从而继续完成下一次卷积。

实验

看图很有意思。

停留成本高，说明该区域需要经过较长推理，很难节省计算量。