网站开发 模块化做网站分销违法吗

论文《ResNeSt: Split-Attention Networks》

1、作用

ResNeSt提出了一种新的模块化分裂注意力（Split-Attention）块，通过在特征图组间实现注意力机制。通过堆叠这些分裂注意力块，以ResNet风格构建，形成了新的ResNet变体，即ResNeSt。该网络保留了整体的ResNet结构，便于在不增加额外计算成本的情况下，直接用于下游任务。

2、机制

1、ResNeSt通过分裂注意力块对特征图组进行处理，使得每个组的特征表示通过其子组的加权组合得到，权重基于全局上下文信息。这种方法有效地增强了跨通道信息的交互，从而获得更丰富的特征表示。

2、分裂注意力块包括特征图分组和分裂注意力两个操作。首先将输入特征图分为多个组（卡片），然后在每个卡片内进一步细分为若干子组（基数），通过学习得到的权重对这些子组进行加权和，以获得每个卡片的表示，最后将所有卡片的表示合并起来，形成块的输出。

3、独特优势

1、ResNeSt在不增加额外计算成本的前提下，显著提高了模型的性能。例如，ResNeSt-50在ImageNet上达到了81.13%的顶级1准确率，比以前最好的ResNet变体提高了1%以上。这一改进也有助于下游任务，包括目标检测、实例分割和语义分割。

2、通过简单替换ResNet-50背骨为ResNeSt-50，即可在MS-COCO上将Faster-RCNN的mAP从39.3%提高到42.3%，并将ADE20K上DeeplabV3的mIoU从42.1%提高到45.1% 。

4、代码

import torch
from torch import nn
import torch.nn.functional as F# 用于调整数值，使其可以被某个除数整除，常用于网络层中通道数的设置。
def make_divisible(v, divisor=8, min_value=None, round_limit=.9):min_value = min_value or divisornew_v = max(min_value, int(v + divisor / 2) // divisor * divisor)# 确保减小的百分比不超过一定的比例（round_limit）if new_v < round_limit * v:new_v += divisorreturn new_v# Radix Softmax用于处理分组特征的归一化
class RadixSoftmax(nn.Module):def __init__(self, radix, cardinality):super().__init__()self.radix = radixself.cardinality = cardinalitydef forward(self, x):batch = x.size(0)# 根据radix是否大于1来决定使用softmax还是sigmoid进行归一化if self.radix > 1:x = x.view(batch, self.cardinality, self.radix, -1).transpose(1, 2)x = F.softmax(x, dim=1)x = x.reshape(batch, -1)else:x = x.sigmoid()return x# SplitAttn模块实现分裂注意力机制
class SplitAttn(nn.Module):def __init__(self, in_channels, out_channels=None, kernel_size=3, stride=1, padding=None,dilation=1, groups=1, bias=False, radix=2, rd_ratio=0.25, rd_channels=None, rd_divisor=8,act_layer=nn.ReLU, norm_layer=None, drop_block=None, **kwargs):super(SplitAttn, self).__init__()out_channels = out_channels or in_channelsself.radix = radixself.drop_block = drop_blockmid_chs = out_channels * radix# 根据输入通道数、radix和rd_ratio计算注意力机制的中间层通道数if rd_channels is None:attn_chs = make_divisible(in_channels * radix * rd_ratio, min_value=32, divisor=rd_divisor)else:attn_chs = rd_channels * radixpadding = kernel_size // 2 if padding is None else padding# 核心卷积层self.conv = nn.Conv2d(in_channels, mid_chs, kernel_size, stride, padding, dilation,groups=groups * radix, bias=bias, **kwargs)# 后续层以及RadixSoftmaxself.bn0 = norm_layer(mid_chs) if norm_layer else nn.Identity()self.act0 = act_layer()self.fc1 = nn.Conv2d(out_channels, attn_chs, 1, groups=groups)self.bn1 = norm_layer(attn_chs) if norm_layer else nn.Identity()self.act1 = act_layer()self.fc2 = nn.Conv2d(attn_chs, mid_chs, 1, groups=groups)self.rsoftmax = RadixSoftmax(radix, groups)def forward(self, x):# 卷积和激活x = self.conv(x)x = self.bn0(x)if self.drop_block is not None:x = self.drop_block(x)x = self.act0(x)# 计算分裂注意力B, RC, H, W = x.shapeif self.radix > 1:# 对特征进行重组和聚合x = x.reshape((B, self.radix, RC // self.radix, H, W))x_gap = x.sum(dim=1)else:x_gap = x# 全局平均池化和两层全连接网络，应用RadixSoftmaxx_gap = x_gap.mean(2, keepdims=True).mean(3, keepdims=True)x_gap = self.fc1(x_gap)x_gap = self.bn1(x_gap)x_gap = self.act1(x_gap)x_attn = self.fc2(x_gap)x_attn = self.rsoftmax(x_attn).view(B, -1, 1, 1)if self.radix > 1:out = (x * x_attn.reshape((B, self.radix, RC // self.radix, 1, 1))).sum(dim=1)else:out = x * x_attnreturn out# 输入 N C H W,  输出 N C H W
if __name__ == '__main__':block = SplitAttn(64)input = torch.rand(1, 64, 64, 64)output = block(input)print(output.shape)