深度学习：CSPNet
前言
CSPNet 是作者 Chien-Yao Wang 于 2019 发表的论文 CSPNET: A NEW BACKBONE THAT CAN
ENHANCE LEARNING CAPABILITY OF CNN。也是对 DenseNet 网络推理效率低的改进版本。
解决的问题
- 由于在轻量级的网络下，他的精度会有所下降，CSPnet可以在维持足够精度的同时提升10%到20%的计算效率，同时可以应用于传统的 ResNet，ResNeXt，DenseNet等网络。
- 降低计算瓶颈。
- 降低内存资源。
Method
目前主流网络存在的问题
我们以DenseNet为例，如上图，我们上下两个分别为他们的推导公式，我们发现有很多以前的feature重复出现，在反向传播的过程中，网络会不断的学习这些相同的梯度，作者认为这些冗余feature会影响模型的性能，于是作者对网络做出了下面的改进。
Cross Stage Partial Network
如上图为作者作出的改进，作者首先把input 分成两部分，一部分经过了卷基层，另一部分什么也不做，然后在把这两个结果concat拼接。
总体而言，所提出的 CSPDenseNet 保留了 DenseNet 特征重用特性的优势，但同时通过截断梯度流来防止过多的重复梯度信息。这个想法是通过设计分层特征融合策略并在局部transition层中使用来实现的。
Partial Dense Block
设计局部dense block的优点是：
- 增加梯度路径：通过拆分合并策略，梯度路径的数量可以增加一倍。由于采用了跨阶段策略，可以缓解使用显式特征图副本进行concatenation带来的缺点；
- 平衡每层的计算：通常，DenseNet 的base layer中的通道数远大于growth rate（注：DenseNet的超参数，值为dense block中dense卷积层的卷积核个数）。由于在一个局部dense block中参与dense层操作的base layer通道只占原始数量的一半，因此可以有效解决近一半的计算瓶颈（注：解决近一半的计算瓶颈是通过拆分输入通道实现，拆分各一半，一半传入dense block，一半直接传到dense block后）；
- 减少内存流量：假设 DenseNet 中一个dense block的基本特征图大小为w × h × c，growth rate为 dd，总共有 m 个dense层。那么，那个dense block的CIO（Convolutional Input/Output）是( c × m ) + ( ( m ^ 2 + m ) × d ) / 2 。虽然 m 和 d 通常远小于 c，但局部dense block最多可以节省网络一半的内存流量。
Partial Transition Layer
在DenseNet中，Trainsition layer起到了特征融合的作用，在这里，作者采取了4中不同的融合策略进行试验如下图：
通过实验，最终作者选取了第三种方案，这种方案速度更快，精度更高。
Exact Fusion Model
略
实验
