摘要：本文主要對CoordConv的理論進行了介紹，對其進行了復現，並展示了其在網路結構中的用法。
本文分享自華為雲社群《CoordConv：給你的卷積加上座標》，作者： 李長安。
一、理論介紹
1.1 CoordConv理論詳解
這是一篇考古的論文復現專案，在2018年作者提出這個CoordConv模組的時候有很多文章對其進行批評，認為這個不值得釋出一篇論文，但是現在重新看一下這個idea，同時再對比一下目前Transformer中提出的位置編碼（Position Encoding），你就會感概歷史是個圈，在角點卷積中，為卷積新增兩個座標編碼實際上與Transformer中提出的位置編碼是同樣的道理。
眾所周知，深度學習裡的卷積運算是具有平移等變性的,這樣可以在影像的不同位置共享統一的卷積核引數,但是這樣卷積學習過程中是不能感知當前特徵在影像中的座標的，論文中的實驗證明如下圖所示。透過該實驗，作者證明了傳統卷積在卷積核進行區域性運算時，僅僅能感受到區域性資訊，並且是無法感受到位置資訊的。CoordConv就是透過在卷積的輸入特徵圖中新增對應的通道來表徵特徵影像素點的座標，讓卷積學習過程中能夠一定程度感知座標來提升檢測精度。
傳統卷積無法將空間表示轉換成笛卡爾空間中的座標和one-hot畫素空間中的座標。卷積是等變的，也就是說當每個過濾器應用到輸入上時，它不知道每個過濾器在哪。我們可以幫助卷積，讓它知道過濾器的位置。這一過程需要在輸入上新增兩個通道實現，一個在i座標，另一個在j座標。透過上面的新增座標的操作，我們可以的出一種新的卷積結構–CoordConv，其結構如下圖所示：
二、程式碼實戰
本部分根據CoordConv論文並參考飛槳的官方實現完成CoordConv的復現。
import paddle import paddle.nn as nn import paddle.nn.functional as F from paddle import ParamAttr from paddle.regularizer import L2Decay from paddle.nn import AvgPool2D, Conv2D
2.1 CoordConv類程式碼實現
首先繼承nn.Layer基類，其次使用paddle.arange定義gx``gy兩個座標，並且停止它們的梯度反傳gx.stop_gradient = True,最後將它們concat到一起送入卷積即可。
class CoordConv(nn.Layer): def __init__(self, in_channels, out_channels, kernel_size, stride, padding): super(CoordConv, self).__init__() self.conv = Conv2D( in_channels + 2, out_channels , kernel_size , stride , padding) def forward(self, x): b = x.shape[0] h = x.shape[2] w = x.shape[3] gx = paddle.arange(w, dtype='float32') / (w - 1.) * 2.0 - 1. gx = gx.reshape([1, 1, 1, w]).expand([b, 1, h, w]) gx.stop_gradient = True gy = paddle.arange(h, dtype='float32') / (h - 1.) * 2.0 - 1. gy = gy.reshape([1, 1, h, 1]).expand([b, 1, h, w]) gy.stop_gradient = True y = paddle.concat([x, gx, gy], axis=1) y = self.conv(y) return y class dcn2(paddle.nn.Layer): def __init__(self, num_classes=1): super(dcn2, self).__init__() self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=32, kernel_size=(3, 3), stride=1, padding = 1) self.conv2 = paddle.nn.Conv2D(in_channels=32, out_channels=64, kernel_size=(3,3), stride=2, padding = 0) self.conv3 = paddle.nn.Conv2D(in_channels=64, out_channels=64, kernel_size=(3,3), stride=2, padding = 0) self.offsets = paddle.nn.Conv2D(64, 18, kernel_size=3, stride=2, padding=1) self.mask = paddle.nn.Conv2D(64, 9, kernel_size=3, stride=2, padding=1) self.conv4 = CoordConv(64, 64, (3,3), 2, 1) self.flatten = paddle.nn.Flatten() self.linear1 = paddle.nn.Linear(in_features=1024, out_features=64) self.linear2 = paddle.nn.Linear(in_features=64, out_features=num_classes) def forward(self, x): x = self.conv1(x) x = F.relu(x) x = self.conv2(x) x = F.relu(x) x = self.conv3(x) x = F.relu(x) x = self.conv4(x) x = F.relu(x) x = self.flatten(x) x = self.linear1(x) x = F.relu(x) x = self.linear2(x) return x cnn3 = dcn2() model3 = paddle.Model(cnn3) model3.summary((64, 3, 32, 32)) --------------------------------------------------------------------------- Layer (type) Input Shape Output Shape Param # =========================================================================== Conv2D-26 [[64, 3, 32, 32]] [64, 32, 32, 32] 896 Conv2D-27 [[64, 32, 32, 32]] [64, 64, 15, 15] 18,496 Conv2D-28 [[64, 64, 15, 15]] [64, 64, 7, 7] 36,928 Conv2D-31 [[64, 66, 7, 7]] [64, 64, 4, 4] 38,080 CoordConv-4 [[64, 64, 7, 7]] [64, 64, 4, 4] 0 Flatten-1 [[64, 64, 4, 4]] [64, 1024] 0 Linear-1 [[64, 1024]] [64, 64] 65,600 Linear-2 [[64, 64]] [64, 1] 65 =========================================================================== Total params: 160,065 Trainable params: 160,065 Non-trainable params: 0 --------------------------------------------------------------------------- Input size (MB): 0.75 Forward/backward pass size (MB): 26.09 Params size (MB): 0.61 Estimated Total Size (MB): 27.45 --------------------------------------------------------------------------- {'total_params': 160065, 'trainable_params': 160065} class MyNet(paddle.nn.Layer): def __init__(self, num_classes=1): super(MyNet, self).__init__() self.conv1 = paddle.nn.Conv2D(in_channels=3, out_channels=32, kernel_size=(3, 3), stride=1, padding = 1) self.conv2 = paddle.nn.Conv2D(in_channels=32, out_channels=64, kernel_size=(3,3), stride=2, padding = 0) self.conv3 = paddle.nn.Conv2D(in_channels=64, out_channels=64, kernel_size=(3,3), stride=2, padding = 0) self.conv4 = paddle.nn.Conv2D(in_channels=64, out_channels=64, kernel_size=(3,3), stride=2, padding = 1) self.flatten = paddle.nn.Flatten() self.linear1 = paddle.nn.Linear(in_features=1024, out_features=64) self.linear2 = paddle.nn.Linear(in_features=64, out_features=num_classes) def forward(self, x): x = self.conv1(x) x = F.relu(x) x = self.conv2(x) x = F.relu(x) x = self.conv3(x) x = F.relu(x) x = self.conv4(x) x = F.relu(x) x = self.flatten(x) x = self.linear1(x) x = F.relu(x) x = self.linear2(x) return x # 視覺化模型 cnn1 = MyNet() model1 = paddle.Model(cnn1) model1.summary((64, 3, 32, 32)) --------------------------------------------------------------------------- Layer (type) Input Shape Output Shape Param # =========================================================================== Conv2D-1 [[64, 3, 32, 32]] [64, 32, 32, 32] 896 Conv2D-2 [[64, 32, 32, 32]] [64, 64, 15, 15] 18,496 Conv2D-3 [[64, 64, 15, 15]] [64, 64, 7, 7] 36,928 Conv2D-4 [[64, 64, 7, 7]] [64, 64, 4, 4] 36,928 Flatten-1 [[64, 64, 4, 4]] [64, 1024] 0 Linear-1 [[64, 1024]] [64, 64] 65,600 Linear-2 [[64, 64]] [64, 1] 65 =========================================================================== Total params: 158,913 Trainable params: 158,913 Non-trainable params: 0 --------------------------------------------------------------------------- Input size (MB): 0.75 Forward/backward pass size (MB): 25.59 Params size (MB): 0.61 Estimated Total Size (MB): 26.95 --------------------------------------------------------------------------- {'total_params': 158913, 'trainable_params': 158913}
總結
相信透過之前的教程，相信大家已經能夠熟練掌握了迅速開啟訓練的方法。所以，之後的教程我都會關注於具體的程式碼實現以及相關的理論介紹。如無必要，不再進行對比實驗。本次教程主要對CoordConv的理論進行了介紹，對其進行了復現，並展示了其在網路結構中的用法。大家可以根據的實際需要，將其移植到自己的網路中。
一些需要注意的點
- CoordConv的位置在網路中應該儘量靠前
- 最好的應用方向是姿態估計等對位置高度敏感的CV任務