论文《SCConv: Spatial and Channel Reconstruction Convolution for Feature Redundancy》
1、**作用**
旨在通过空间和通道重构来减少卷积层中的冗余特征，从而降低计算成本并提高特征表达的代表性。SCConv包含两个单元：空间重构单元（SRU）和通道重构单元（CRU）。SRU通过分离和重建方法来抑制空间冗余，而CRU采用分割-转换-融合策略来减少通道冗余。此外，SCConv是一个即插即用的架构单元，可以直接替换各种卷积神经网络中的标准卷积。实验结果表明，嵌入SCConv的模型能够在显著降低复杂度和计算成本的同时，实现更好的性能。
2、**机制**
1、**空间重构单元（SRU）**：通过分离操作将输入特征图分为信息丰富和信息较少的两部分，然后通过重建操作将这两部分的特征图结合起来，以增强特征表达并抑制空间维度上的冗余。
2、**通道重构单元（CRU）**：采用分割-转换-融合策略，首先将特征图在通道维度上分割成两部分，一部分通过高效的卷积操作进行特征提取，另一部分则直接利用，最后将两部分的特征图通过自适应融合策略合并，以减少通道维度上的冗余并提升特征的代表性。
3、**独特优势**
1、**即插即用**：
SCConv可以作为一个模块直接嵌入到现有的卷积神经网络中，替换标准的卷积层，无需调整模型架构。
2、**减少冗余**：
通过空间和通道重构有效减少了特征图中的冗余信息，降低了计算成本和模型参数量。
3、**提高性能**：
实验表明，SCConv不仅减少了模型的复杂度和计算量，还在多个任务上取得了比原始模型更好的性能。
4、代码
python
import torch
import torch.nn.functional as F
import torch.nn as nn
# GroupBatchnorm2d模块是对标准批量归一化的扩展，它将特征通道分组进行归一化。
class GroupBatchnorm2d(nn.Module):
def __init__(self, c_num: int,
group_num: int = 16,
eps: float = 1e-10
):
super(GroupBatchnorm2d, self).__init__()
assert c_num >= group_num # 确保通道数大于等于分组数
self.group_num = group_num # 分组数
self.weight = nn.Parameter(torch.randn(c_num, 1, 1)) # 权重参数
self.bias = nn.Parameter(torch.zeros(c_num, 1, 1)) # 偏置参数
self.eps = eps # 防止除以零
def forward(self, x):
# 实现分组批量归一化的前向传播
N, C, H, W = x.size()
x = x.view(N, self.group_num, -1) # 根据分组数重新排列x的形状
mean = x.mean(dim=2, keepdim=True) # 计算每组的均值
std = x.std(dim=2, keepdim=True) # 计算每组的标准差
x = (x - mean) / (std + self.eps) # 归一化
x = x.view(N, C, H, W) # 恢复x的原始形状
return x * self.weight + self.bias # 应用权重和偏置
# SRU模块用于抑制空间冗余。它通过分组归一化和一个门控机制实现。
class SRU(nn.Module):
def __init__(self,
oup_channels: int,
group_num: int = 16,
gate_treshold: float = 0.5,
torch_gn: bool = False
):
super().__init__()
# 选择使用torch自带的GroupNorm还是自定义的GroupBatchnorm2d
self.gn = nn.GroupNorm(num_channels=oup_channels, num_groups=group_num) if torch_gn else GroupBatchnorm2d(
c_num=oup_channels, group_num=group_num)
self.gate_treshold = gate_treshold # 设置门控阈值
self.sigomid = nn.Sigmoid() # 使用Sigmoid函数作为激活函数
def forward(self, x):
# 实现SRU的前向传播
gn_x = self.gn(x) # 应用分组归一化
w_gamma = self.gn.weight / torch.sum(self.gn.weight) # 根据归一化权重计算重要性权重
w_gamma = w_gamma.view(1, -1, 1, 1)
reweigts = self.sigomid(gn_x * w_gamma) # 计算重构权重
# 根据门控阈值，将特征图分为信息丰富和信息较少的两部分
info_mask = reweigts >= self.gate_treshold
noninfo_mask = reweigts < self.gate_treshold
x_1 = info_mask * gn_x
x_2 = noninfo_mask * gn_x
x = self.reconstruct(x_1, x_2) # 重构特征图
return x
def reconstruct(self, x_1, x_2):
# 实现特征图的重构
x_11, x_12 = torch.split(x_1, x_1.size(1) // 2, dim=1) # 将信息丰富的特征图分为两部分
x_21, x_22 = torch.split(x_2, x_2.size(1) // 2, dim=1) # 将信息较少的特征图分为两部分
return torch.cat([x_11 + x_22, x_12 + x_21], dim=1) # 通过特定方式合并特征图，增强特征表达
# CRU模块用于处理通道冗余。它通过一个压缩-卷积-扩展策略来增强特征的代表性。
class CRU(nn.Module):
def __init__(self,
op_channel: int,
alpha: float = 1 / 2,
squeeze_radio: int = 2,
group_size: int = 2,
group_kernel_size: int = 3,
):
super().__init__()
self.up_channel = up_channel = int(alpha * op_channel) # 计算上分支的通道数
self.low_channel = low_channel = op_channel - up_channel # 计算下分支的通道数
self.squeeze1 = nn.Conv2d(up_channel, up_channel // squeeze_radio, kernel_size=1, bias=False) # 上分支的压缩层
self.squeeze2 = nn.Conv2d(low_channel, low_channel // squeeze_radio, kernel_size=1, bias=False) # 下分支的压缩层
# 上分支的卷积层，包括分组卷积和点卷积
self.GWC = nn.Conv2d(up_channel // squeeze_radio, op_channel, kernel_size=group_kernel_size, stride=1,
padding=group_kernel_size // 2, groups=group_size)
self.PWC1 = nn.Conv2d(up_channel // squeeze_radio, op_channel, kernel_size=1, bias=False)
# 下分支的卷积层
self.PWC2 = nn.Conv2d(low_channel // squeeze_radio, op_channel - low_channel // squeeze_radio, kernel_size=1,
bias=False)
self.advavg = nn.AdaptiveAvgPool2d(1) # 自适应平均池化层
def forward(self, x):
# 实现CRU的前向传播
# 将输入特征图分为上下两部分
up, low = torch.split(x, [self.up_channel, self.low_channel], dim=1)
up, low = self.squeeze1(up), self.squeeze2(low) # 对上下两部分分别应用压缩层
# 对上分支应用卷积层
Y1 = self.GWC(up) + self.PWC1(up)
# 对下分支应用卷积层，并与压缩后的低分支特征图合并
Y2 = torch.cat([self.PWC2(low), low], dim=1)
# 合并上下分支的特征图，并应用自适应平均池化和softmax函数
out = torch.cat([Y1, Y2], dim=1)
out = F.softmax(self.advavg(out), dim=1) * out
out1, out2 = torch.split(out, out.size(1) // 2, dim=1) # 将合并后的特征图分为两部分
return out1 + out2 # 将两部分的特征图相加，得到最终的输出
# ScConv模块结合了SRU和CRU两个子模块，用于同时处理空间和通道冗余。
class ScConv(nn.Module):
def __init__(self,
op_channel: int,
group_num: int = 4,
gate_treshold: float = 0.5,
alpha: float = 1 / 2,
squeeze_radio: int = 2,
group_size: int = 2,
group_kernel_size: int = 3,
):
super().__init__()
self.SRU = SRU(op_channel, # 初始化空间重构单元
group_num=group_num,
gate_treshold=gate_treshold)
self.CRU = CRU(op_channel, # 初始化通道重构单ู
alpha=alpha,
squeeze_radio=squeeze_radio,
group_size=group_size,
group_kernel_size=group_kernel_size)
def forward(self, x):
x = self.SRU(x) # 通过SRU处理空间冗余
x = self.CRU(x) # 通过CRU处理通道冗余
return x # 返回处理后的特征图
# 测试ScConv模块
if __name__ == '__main__':
x = torch.randn(1, 32, 16, 16) # 创建一个随机的输入张量
model = ScConv(32) # 创建一个ScConv模块实例
print(model(x).shape) # 打印ScConv处理后的输出张量形状