论文：https://arxiv.org/abs/2201.03545
代码：https://github.com/facebookresearch/ConvNeXt
Facebook 和 UC Berkeley 的科研人员提出了 ConvNeXt，对标的是2021年最火的 Swin Transformer，在相同的FLOPs下， ConvNeXt 比 Swin Transformer 拥有更高的准确率，在ImageNet 22K上达到 87.8% 。
论文本质上是一系列 Trick 的集合，主要包括五方面：1、macro design；2、ResNeXt；3、inverted bottleneck；4、large kerner size；5、micro designs 。下面以 ResNet50 为基础进行介绍与分析。
1、 宏观设计
- 如下图所示，原始ResNet50中，resblock的比例是（3,4,6,3），仿照 swin 的结构，resblock调整成（3,3,9,3），调整后，准确率由78.8提升至79.4。
- 原始的ResNet50中，第一步是通过7x7的卷积（步长为2）+ 3x3池化（步长为2）将图像尺寸从224变成56。作者采用 swin 的做法，使用4x4的卷积（步长为4）处理，准确率从79.4提升为79.5。
2、借鉴ResNeXt
ResNeXt 通过特征分组提升了性能。一般来说，特征分组有助于构建一系列子空间，增加特征的多样性，Transfomer 里的 multi-head 就是这个道理。作者直接应用 depthwise conv，即group数和 channel 数相同，同时，卷积的通道数从64提升到96，准确率达到80.5%。
3、借鉴Inverted Bottleneck
作者认为 Tranformer block 中的MLP非常像 MobileNetV2 中的 Inverted Bootleneck，因此借鉴了这一结构。作者应用的结构如下图所示，通道数变化为 96== >384==>96，第一层和第三层为 1x1 conv，中间第二层为 deconv 3x3。 性能进一步提升至80.6%。
4、更大的卷积核
- 如下图所示，将deconv上移到第一层，这样就类似 Transformer 了，MSA放在MLP之前，因为这样GFLOPs就减少了，但是准确率下降到了79.9%
- 作者将 deconv 3x3 又改成了 7x7 （这个大小和 swin 一样。当然作者也尝试了更大尺寸，发现卷积核更大时准确率不再上升了，如下图所示），准确率从 79.9 提升到 80.6。
5、Micro design
- 将ReLU替换为GELU。 准确率没有变化，尽管没有变化，也许和其它trick 结合后，会发生显著变化。
- 减少激活函数。 Transformer中只有并不是所有层后都有激活，作者仿照着减少了激活函数，具体如下图所示，准确率从80.6显著提升至81.3。
- 减少 Norm 。 如上图所示，作者仿照Transformer 的结构，只在第一次卷积后使用 BN，性能提升至 81.4，此时性能已经超越了swin。
- 将 BN 替换为 LN。 作者参照 Transformer ，全部使有和LN，性能又提升至 81.5。
- 添加下层样层。 ResNet中 stage2-stage4 中使用步长为2的3x3卷积进行下采样，而Swin 中的下采样是通过 Patch Merging 模块实现的，参照这个设计，作者添加了一个单独的下采样层（2x2卷积，步长为2），准确率提升为82.0。
Micro design 的性能演化如下图所示，这就是基于 ResNet50 改进的最终版本了，已经显著超越了同等的 swin transformer。
根据B站 霹雳吧啦 老师的讲解，源代码中还有一个Layer Scale 论文中没有提及，来自 ICCV2021 的 Going deeper with image transformers，将输入的特征层乘上一个可训练的参数，该参数就是一个向量，元素个数与特征层channel相同，即对每个channel的数据进行缩放（听起来很像通道级的 attention），感兴趣可以看看作者源代码。