《Res2Net: A New Multi-scale Backbone Architecture》

来自：南开大学程明明组

论文：https://arxiv.org/abs/1904.01169

>多尺度的信息

首先一张图片里物体可能有不同的大小，例如沙发和杯子就是不同大小的，第二，必要的上下文信息可能所占的面积要大于物体本身。例如，我们需要根据大桌子的信息来更好的确定桌上的是个杯子或是笔筒。第三点，对细精度分类和语义分割，理解局部，观察不同尺度下的信息是有必要的。

Alexnet按顺序堆叠卷积并得到比传统方法取得显著的效果。然而，由于网络深度和卷积核大小的限制，alexnet只有很小的感受野。

VGGnet增加了网络深度并使用更小的卷积核。更深的网络结构可以扩大感受野，从更大的尺度提取特征。通过堆叠更多大卷积核的层，是一种更容易扩大感受野的方法。VGG比Alexnet有更少的参数更强的表达能力。但是都是线性堆叠卷积，只能表达不灵活的感受野。

Googlenet采用并行的不同尺度的卷积来增强多尺度的表达能力。但是有受限于计算资源。因此多尺度表征的策略任然没能更大范围的感受野。

Resnet引入短连接，因此在有更深的网络结构的同时缓解了梯度消失的问题。特征提取的过程，短连接让不同的不同卷积相结合。类似的，densenet里的密集连接也使得网络能够处理一个很大范围的尺度。

残差块里头又有残差连接，所以取名res2net

 >Res2Net的bottleneck模块

yi表示Ki()的输出。 子特征xi和Ki-1()的输出加在一起，然后送入Ki()。 所有的分块拼接后在送入1*1的卷积。分块在拼接的策略能增强卷积更有效处理特征。 为了在增加s的同时减少参数，我们不对x1进行卷积。更大的s一般对应更强的多尺度的表达能力。（这样子y1,y2,y3,y4就拥有不同尺度的特征）

>Res2Net + 其他模块

1、中间的3x3卷积可以替换成c组卷积操作。　（ResNeXt）

2、实验也说明了能够通过SE进一步提高效果

>实验设置：

1、框架:都是用pytorch （代码还未开源）

2、在imagenet数据集上SGD，

3、weightdecay设为0.0001，momentum设为0.9，初始学习率是0.1， 每隔30个epoch*0.1.每个模型都是训练100个epoch；

4、环境：4 Titan Xp GPUs

>实验结果

ImageNet上的实验：

Table1，table2 res2net在image上top-1和top-5都有1~2%的提升。

Table3 验证尺度的有效性， 保持计算复杂度，随着尺度增加精度不断提升。 Res2Net-50在ImageNet数据集不同规模测试错误率结果。其中参数w为卷积宽度（通道数吧），s为scale

不同模块组合的对照结果（）

不同维度的对照试验（cifar100上的实验）

c是基数维度（参照ResNeXt）

可以看到网络深度提升效果较差

（1）s=2的的地方比增加基数的效果差， 在s=2时只能通过增加1*1卷积来增加模型性能。

（2）s=5,6效果提升有限。 因为cifar100图片大小32*32没有很多尺度（那在imagenet上呢？）。

类别响应图Class activation mapping

响应图更集中在小目标上。 中等大小的物体上，两者效果差不多。 大的物体上res2net就响应图包含整个物体。

下面的实验都是将backbone换成res2net

1）目标检测应用

Faster -Rcnn： ResNet-50 vs. Res2Net-50进行对比。小目标 中目标 大目标：都有提升 voc & coco 数据集上 AP 都有2%的提升

2）语义分割应用

数据集：PASCAL VOC12 10582 训练图片 and 1449验证图片

实验方法： Deeplab v3+

3）实例分割

数据集：coco

Mask-RCNN上：resnet-50 vs res2net-50

4）显著性检测（Salient Object Detection）　　

ResNet-50 和Res2Net-50的显著目标检测结果对比