论文地址：https://arxiv.org/abs/2207.10741

 

导读

由于CNN的密集计算特性，在受限资源设备上的部署存在挑战性。本文另辟蹊径，从原始图像输入着手，通过标记任务相关像素来缓解卷积计算压力，并配合本文提出的聚焦卷积来使用标记后的输入图。最后作者等人在嵌入式设备上进行实际测试，在准确率没有损失的情况下，推理延迟、能耗和计算量都减少了约45%。

 

贡献

卷积具有密集计算的特点，目前的通用矩阵乘法（GEMM）技术将顺序的滑动窗口卷积简化为并行化的矩阵乘法运算，然而GEMM对于低功耗系统来说仍然存在一定挑战。（以ResNet为例，执行一次图像分类，处理参数约3kw）

因此最直接的方法就是对CNN进行处理。如剪枝、量化、知识蒸馏等。通过缩减参数量、计算量来适应低功耗设备，减少其消耗。然而作者等人发现，现有计算机视觉任务，其图像中总是包含与任务无关的像素，而CNN的计算方式则是不加选择的对输入中每一个像素进行操作，这就带来一定的计算压力。

因此出发点来了，如果我们能对原始输入图像进行处理，把图像划分为与任务相关的像素和与任务无关的像素，另外让CNN仅对相关的像素进行计算，是不是就能达到节省计算资源的目的？

什么是与任务无关的像素？比如任务是寻找汽车，图像中包含了汽车和天空，那么天空中的像素就不是很有用。

作者等人通过两种方法来证明上述猜想是可行的：

1.证明三种流行的计算机视觉数据集都包含许多此类像素（相关和无关）。

2.通过使用聚焦卷积删除这些无关像素来达到推理速度改进。

 

方法

一、输入图像处理——划分相关与不相关

如上所述，想要大幅度缩减计算量，首先需对原始输入图像进行处理，其次配合可以忽略不相关像素的聚焦卷积来实现。

那么划分相关与不相关像素？在本文中，作者等人借助深度图来完成。在深度图中，仅使用一个值来表示图像中的每个像素，该值也被称为像素的深度级别，表示该像素距离相机的距离。

首先对相关像素进行定义：构成数据集的ground truth对象及其相关深度级别的所有像素。如下图1所示，左图ground truth对象为红色区域的巴士，而右侧的阈值图中明显包含了巴士及其周边的一些相关像素。这些额外的相关像素被认为是对模型有帮助的区域，CNN使用这些像素来提取上下文和理解对象特征。

图1：PASCAL VOC数据集图像中不相关像素的示例。

如图2，其具体过程如可以表述如下：

图2：如何计算数据集中不相关像素的数量。

1. 首先使用Ranftl等人的深度估计模型“MiDaS”生成深度图。由于该模型预先在不同数据集上进行训练并取得优秀结果，因此MiDaS生成的深度图可以较为准确的表示图像中每个像素的深度级别。
2. 其次对深度图进行阈值化处理。因为前文对相关像素的定义是：构成数据集的ground truth对象及其相关深度级别的所有像素。同时相机焦距往往会导致在中等深度水平下拍摄照片，因此仅需设置中间范围的深度来对深度进行阈值化，过滤掉过短或过长的不相关像素，即可初步得到一幅相关与不相关像素的阈值图。
3. 最后根据ground truth标签来验证阈值图是否合适。即如果阈值图中的相关像素区包含全部的ground truth标签，那么阈值处理结束，反之则扩大阈值，重新验证。

通过这种方法对原始输入图像完成处理，作者等人对处理结果进行如下统计：

图3：相关像素的平均百分比。

从图中可以看出三个数据集中，按本文方法划分的不相关像素占比是很大的，如果有方法能忽略这些像素，同时保证模型准确率，那么确实可以大大减少推理速度。下面将介绍配合阈值图使用的聚焦卷积。

二、聚焦卷积——不相关像素忽略

聚焦卷积建立在GEMM的基础之上，传统的GEMM将3D输入张量的块转换为2D矩阵的列，然后将矩阵乘以卷积权重以得到卷积结果，其过程如下图所示：

图4：GEMM示意图。

左侧黑色方块代表卷积权重，在右侧展开为行。左侧灰色方块代表输入张量，被标记的红色、蓝色虚线区域代表卷积作用的部分，在右侧展开为列。最终列与行相乘得到卷积结果。

聚焦卷积的计算过程与此类似，但不同的是，聚焦卷积可以识别不相关像素。

如下图所示，如果一块像素被标记为不相关，那么聚焦卷积不会将这块像素转换为列，即不相关像素不参与卷积计算。同时如果聚焦卷积的输入不是阈值图，那么其计算过程与GEMM一致。因此聚焦卷积可以作为一种即插即用的模块，在不更改模型结构、权重以及偏差的情况下进行替换。

图5：聚焦卷积示意图。

 

实验

表1：MOTChallenge, COCO, PASCAL VOC的性能对比结果。

如表1所示，作者等人在功率为5W的Raspberry Pi 3（RPi）和功率为28W的Intel Core i7 CPU上进行性能测试，对比模型为轻量级的EfficientDet（ED）和SSD-Lite（SL），对比卷积方法为正常卷积（Normal）、使用 Intel MKL 优化卷积（MKL）以及本文的聚焦卷积（Focused）。

从结果可以看出本文方法对模型性能提升了很多，而且即插即用更为灵活。

本文另辟蹊径，从原始输入图像着手，配合聚焦卷积实现了线性的计算优化。然而本文方法仅在三个数据集（MOTChallenge, COCO, PASCAL VOC）上进行性能测试，在实际场景中可能包含一些广角照片、风景照片，这些照片的主要对象可能并不适用于中间范围深度，因此对本文方法来说可能存在一定的应用挑战。另外对原始输入图像进行深度图转换的操作，包括后续的阈值化处理和不断记录像素数量的重复过程，是否考虑进成本计算。

尽管本文方法存在一些不足，但对于不相关像素的思想值得学习，类似的工作还有“SBNet: Sparse Blocks Network for Fast Inference”，感兴趣的朋友可以自行阅读。

内容中包含的图片若涉及版权问题，请及时与我们联系删除