本文旨在通過充分利用卷積探索一種更高效的編碼空域特征的方式：通過組合ConvNet與ViT的設計理念，本文利用卷積調制操作對自注意力進行了簡化，進而構建了一種新的ConvNet架構Conv2Former。ImageNet分類、COCO檢測以及ADE20K分割任務上的實驗結果表明：所提Conv2Former取得了優于主流ConvNet(如ConvNeXt)、ViT（如Swin Transformer）的性能。

本文方案

上圖給出了本文方案架構示意圖，類似ConvNeXt、SwinT，Conv2Former采用了金字塔架構，即含四個階段、四種不同尺寸的特征，相鄰階段之間通過Patch Embedding模塊(其實就是一個卷積核與stride均為的卷積)進行特征空間分辨率與通道維度的惡變換。下表給出了不同大小Conv2Former的超參配置，

核心模塊

上圖給出了經典模塊的架構示意圖，從經典的殘差模塊到自注意力模塊，再到新一代卷積模塊。自注意力模塊可以表示為如下形式：

盡管注意力可以更好的編碼空域相關性，但其計算復雜性隨N而爆炸性增長。

本文則旨在對自注意力進行簡化：采用卷積特征對V進行調制。假設輸入，所提卷積調制模塊描述如下：

需要注意的是：上式中表示Hadamard乘積。上述卷積調制模塊使得每個位置的元素與其近鄰相關，而通道間的信息聚合則可以通過線性層實現。下面給出了該核心模塊的實現代碼。

classConvMod(nn.Module):
def__init__(self,dim):
super().__init__()
self.norm=LayerNorm(dim,eps=1e-6,data_format='channel_first')
self.a=nn.Sequential(
nn.Conv2d(dim,dim,1),
nn.GELU(),
nn.Conv2d(dim,dim,11,padding=5,groups=dim)
)
self.v=nn.Conv2d(dim,dim,1)
self.proj=nn.Conv2d(dim,dim,1)

defforward(self,x):
B,C,H,W=x.shape
x=self.norm(x)
a=self.a(x)
v=self.v(x)
x=a*v
x=self.proj(x)
returnx

微觀設計理念

Larger Kernel than 如何更好的利用卷積對于CNN設計非常重要！自從VGG、ResNet以來，卷積成為ConvNet的標準選擇；Xception引入了深度分離卷積打破了該局面；再后來，ConvNeXt表明卷積核從3提升到7可以進一步改善模型性能。然而，當不采用重參數而進一步提升核尺寸并不會帶來性能性能提升，但會導致更高計算負擔。

作者認為：ConvNeXt從大于卷積中受益極小的原因在于使用空域卷積的方式。對于Conv2Former，從到，伴隨核尺寸的提升可以觀察到Conv2Former性能一致提升。該現象不僅發生在Conv2Former-T()，同樣在Conv2Former-B得到了體現()。考慮到模型效率，作者將默認尺寸設置為。

Weighting Strategy 正如前面圖示可以看到：作者采用Depthwise卷積的輸出對特征V進行加權調制。需要注意的是，在Hadamard乘積之前并未添加任務規范化層(如Sigmoid、)，而這是取得優異性能的重要因素(類似SENet添加Sigmoid會導致性能下降超0.5%)。

Normalization and Activations 對于規范化層，作者參考ViT與ConvNeXt采用了Layer Normalization，而非卷積網絡中常用的Batch Normalization；對于激活層，作者采用了GELU(作者發現，LN+GELU組合可以帶來0.1%-0.2%的性能提升)。

本文實驗

上述兩表給出了ImageNet分類任務上不同方案的性能對比，從中可以看到：

• 在tiny-size(<30M)方面，相比ConvNeXt-T與SwinT-T，Conv2Former-T分別取得了1.1%與1.7%的性能提升。值得稱道的是，Conv2Former-N僅需15M參數量+2.2GFLOPs取得了與SwinT-T(28M參數量+4.5GFLOPs)相當的性能。

• 在base-size方面，相比ConvNeXt-B與SwinT-B，Conv2Former-B仍取得了0.6%與0.9%的性能提升。

• 相比其他主流模型，在相近大小下，所提Conv2Former同樣表現更優。值得一提的是，相比EfficientNet-B7，Conv2Former-B精度稍有(84.4% vs 84.3%)，但計算量大幅減少(15G vs 37G)。

• 當采用ImageNet-22K預訓練后，Conv2Former的性能可以進一步提升，同時仍比其他方案更優。Conv2Former-L甚至取得了87.7% 的優異指標。

采用大核卷積是一種很直接的輔助CNN構建長程相關性的方法，但直接使用大核卷積使得所提模型難以優化。從上表可以看到：當不采用其他訓練技術(如重參數、稀疏權值)時，Conv2Former采用時已可取得更好的性能；當采用更大的核時，Conv2Former取得了進一步的性能提升。

上表給出了COCO檢測任務上不同方案的性能對比，從中可以看到：

• 在tiny-size方面，相比SwinT-T與ConvNeXt-T，Conv2Former-T取得了2% 的檢測指標提升，實例分割指標提升同樣超過1%；

• 當采用Cascade Mask R-CNN框架時，Conv2Former仍具有超1%的性能提升。

• 當進一步增大模型時，性能優勢則變得更為明顯；

上表給出了ADE20K分割任務上的性能對比，從中可以看到：

• 在不同尺度模型下，Conv2Former均具有比SwinT與ConvNeXt更優的性能；

• 相比ConvNeXt，在tiny尺寸方面性能提升1.3%mIoU，在base尺寸方面性能提升1.1%；

• 當進一步提升模型尺寸，Conv2Former-L取得了54.3%mIoU，明顯優于Swin-L與ConvNeXt-L。

一點疑惑解析

到這里，關于Conv2Former的介紹也就結束了。但是，心里仍有一點疑惑存在：Conv2Former與VAN的區別到底是什么呢？關于VAN的介紹可參考筆者之前的分享：《優于ConvNeXt，南開&清華開源基于大核注意力的VAN架構》。

先來看一下兩者的定義，看上去兩者并無本質上的區別(均為點乘操作)，均為大核卷積注意力。

• VAN：

• Conv2Former

結合作者開源代碼，筆者繪制了上圖，左圖為Conv2Former核心模塊，右圖為VAN核心模塊。兩者差別還是比較明顯的！

• 雖然大核卷積注意力均是其核心，但Conv2Former延續了自注意力的設計范式，大核卷積注意力是其核心；而VAN則是采用傳統Bottleneck設計范式，大核卷積注意力的作用類似于SE。

• 從大核卷積內在機理來看，Conv2Former僅考慮了的空域建模，而VAN則同時考慮了空域與通道兩個維度；

• 在規范化層方面，Conv2Former采用了Transformer一貫的LayerNorm，而VAN則采用了CNN一貫的BatchNorm;

• 值得一提的是：兩者在大核卷積注意力方面均未使用Sigmoid激活函數。兩者均發現：使用Sigmoid激活會導致0.2%左右的性能下降。

為更好對比Conv2Former與VAN的性能，特匯總上表(注：GFLOPs列僅匯總了)在Image輸入時的計算量Net-1K上的指標進行了對比，可以看到：在同等參數量前提下，兩者基本相當，差別僅在0.1%。此外，考慮到作者所提到的“LN+GELU的組合可以帶來0.1%-0.2%的性能提升”，兩者就算是打成平手了吧，哈哈。