arxiv：https://arxiv.org/abs/2211.05778
github：https://github.com/OpenGVLab/InternImage
一、介绍
大部分大模型都是基于transformer的，本文是一个基于CNN的视觉基础模型。使用可变性卷积deformable convolution作为核心操作，使得模型有大的有效的感受野和自适应的空间集合。
稍微改动了一下deformable convolution v2 (DCNv2),然后用这个DCNv3结合其他设计和一些前沿方法设计了一个block模块，然后堆叠和扩大这些模块增加参数提高表示能力。
二、InternImage Model
1、Deformable Convolution v3
Convolution vs. MHSA（multi-head self-attention）：
从长期依赖的角度，即使有非常深的模型，基于CNN的模型仍然无法获得像ViTs这样的长期依赖性，这限制了它的性能。
从自适应空间聚合的角度，MHSA权重是根据输入动态的，常规的卷积权重是静态的且有非常强的归纳偏差（inductive biases），如位置、周围的结构等，由于这些归纳偏差，卷积模型收敛的比较快并且比vit模型需要更少的数据集，但是也限制了CNN模型学习更一般更鲁棒特征的能力。
2、DCNv2：
DCNv2作为常规卷积扩展，加载预训练模型，然后微调得到更好的性能来使用，这并不适用于从头开始训练的大规模视觉基础模型。于是，从以下三个方面扩展了DCNv2，得到DCNv3：
1）卷积神经元之间的权重共享：将原始的卷积分解为Depthwise卷积与Pointwise卷积
2）引入多组机制：多组机制首先出现在一组卷积中。将空间聚合过程分为G组，每一组有单独的采样偏移∆pgk和模块尺度mgk。这样不同组在同一卷积层可以获得不同空间聚合模式，可以得到更强的特征表示。
3）沿采样点归一化modulation scalars（Normalizing modulation scalars along sampling points）：DCNv2是通过sigmoid函数元素级归一化，因此每个modulation scalar范围是[0,1]，这样所有采样点的modulation scalar求和不稳定，范围[0，K]，这会导致梯度不稳定。沿采样点归一化modulation scalars就可以使得所有采样点的modulation scalar求和在0-1之间，使训练过程稳定。
综上，得到的DCNv3为：
3、Model
4个stage，每个stage有三个超参数，所以模型原本应该有12个超参数，最佳超参数搜索空间很大，于是作者总结了一下以前的模型设置的，总结了四个规律，如上图右下角，然后最后得出只需要4个超参数就可以：s (C1, C' , L1, L3)，然后根据实验得出最佳超参数为(64, 16, 4, 18)。
有了模型之后，因为要训练一个很大参数的基础模型，所以考虑怎么使得模型变大，增加参数。参数缩放规则，也就是根据什么使模型变大，作者考虑了两种方式，深度，即L，多叠加几层stage，和宽度，即C，即每层提取的特征增加，或者是两个维度按某种比重α, β,φ结合：
最终实验找到最佳α, β是α=1.09, β=1.36