卷积神经网络 (
CNN) 在许多计算机视觉任务（例如图像分类和目标检测）中取得了巨大成功。然而，它们的性能在图像分辨率低或目标很小的任务中迅速下降。在本文中指出这源于现有
CNN架构中存在缺陷但常见的设计，即使用Stride卷积和/或池化层，这会导致细粒度信息的丢失和学习效率较低的特征表示。为此，本文提出了一个名为SPD-Conv的新CNN构建块来代替每个Stride卷积层和池化层（因此完全消除了它们）。
SPD-Conv由空间到深度 (SPD) 层和非Stride卷积(Conv) 层组成，可以应用于大多数（如果不是全部）CNN架构。作者在两个最具代表性的计算机视觉任务下解释了这种新设计：目标检测和图像分类。然后，通过将SPD-Conv应用于YOLOv5和ResNet来创建新的CNN架构，并通过经验证明本文的方法明显优于最先进的深度学习模型，尤其是在具有低分辨率图像和小目标的任务上。
1、A New Building Block: SPD-Conv
1.1、Space-to-depth(SPD)
SPD 组件将（原始）图像转换技术推广到对 CNN 内部和整个 CNN 中的特征图进行下采样，如下所示。
考虑任意大小为 的中间特征图X，切出一系列子特征图为：
一般来说，给定任何（原始）特征图 X，子图 由 和 可按比例整除的所有条目 形成。因此，每个子图按比例因子对X进行下采样。图3(a)(b)(c)给出了scale=2时的例子，得到4个子图 , , , 每个都具有形状并将 X 下采样 2 倍。
接下来，沿着通道维度连接这些子特征图，从而获得一个特征图 ，它的空间维度减少了一个比例因子，通道维度增加了一个比例因子2。换句话说，SPD 将特征图 转换为中间特征图 。图 3(d) 给出了使用scale=2的说明。
1.2、Non-strided Convolution
在 SPD 特征变换层之后，添加了一个带有 滤波器的非跨步（即 stride=1）卷积层，其中 ，并进一步变换 。
使用非跨步卷积的原因是尽可能地保留所有的判别特征信息。否则，例如，使用 stride=3 的 3×3 卷积，特征图将“缩小”，但每个像素只采样一次；如果 stride=2，将发生不对称采样，其中偶数和奇数行/列的采样时间不同。一般来说，步长大于 1 会导致信息的非歧视性丢失，尽管在表面上，它似乎转换了特征图 （但没有）。
2、如何使用SPD-Conv：案例研究
为了解释如何将提出的方法应用到重新设计CNN架构中，使用了2个最具代表性的计算机视觉模型类别：目标检测和图像分类。这并没有失去一般性，因为几乎所有的CNN架构都使用分层卷积和/或池化操作来降采样特征映射。
2.1、目标检测
YOLO是一系列非常流行的目标检测模型，其中选择了最新的YOLOv5来演示。YOLOv5使用CSPDarknet53，SPP模块作为主干，PANet作为颈部，YOLOv3头作为检测头。此外，它还使用了来自 YOLOv4 的各种数据增强方法和一些模块进行性能优化。它使用带有 sigmoid 层的交叉熵损失来计算目标和分类损失，并使用 CIoU 损失函数来计算定位损失。CIoU 损失比 IoU 损失考虑更多细节，例如边缘重叠、中心距离和宽高比。
YOLOv5-SPD:将第 3 节中描述的方法应用于 YOLOv5 并获得 YOLOv5-SPD（图 4），只需用用 SPD-Conv 构建块替换 YOLOv5stride-2 卷积即可。这种替换有 7 个实例，因为 YOLOv5 在主干中使用5个 stride-2 卷积层将特征图下采样 25 倍，并在颈部使用2个 stride-2 卷积层。YOLOv5颈部的每个跨步卷积之后都有一个连接层；这不会改变本文的方法，只是将它保持在 SPD 和 Conv 之间。
可扩展性：YOLOv5-SPD 可以通过与 YOLOv5 相同的方式轻松扩展和缩减来适应不同的应用程序或硬件需求。具体来说，可以简单地调整（1）每个非跨步卷积层中的过滤器数量和/或（2）C3模块的重复次数（如图4所示），以获得不同版本的YOLOv5-SPD。
第1个称为宽度缩放：它将原始宽度 nw（通道数）更改为 nw × width_f actore（四舍五入到最接近的 8 倍数）。
第2个称为深度缩放：它将原始深度 nd（重复 C3 模块的次数；例如，图 4 中的 9 × C3 中的 9）更改为 nd × depth_factor。
这样，通过选择不同的宽度/深度因子，我们得到了YOLOv5-SPD的nano、small、medium和large版本，如表2所示，其中因子值选择与YOLOv5相同，以便在后面的实验中进行比较 .
2.2、图像分类
分类 CNN 通常从一个由 stride-2 卷积和池化层组成的stem单元开始，以将图像分辨率降低4倍。一个流行的模型是 ResNet，它赢得了 ILSVRC 2015 挑战。ResNet 引入了残差连接，以允许训练高达 152 层的网络。它还通过仅使用单个全连接层显着减少了参数的总数。最后使用 softmax 层对类预测进行归一化。
ResNet18-SPD 和 ResNet50-SPD。ResNet-18 和 ResNet-50 都使用总共4个 stride-2 卷积和一个 stride 2 的最大池化层，将每个输入图像下采样 25 倍。应用我们提出的构建块，用 SPD-Conv 替换了四个跨步卷积；但另一方面，我们只是删除了最大池化层，因为我们的主要目标是低分辨率图像，我们实验中使用的数据集的图像相当小（Tiny ImageNet 中为 64 × 64，CIFAR-中为 32 × 32） 10）因此不需要池化。对于更大的图像，这样的最大池化层仍然可以用 SPD-Conv 以相同的方式替换。两种新架构如表 3 所示。
3、实验结果
3.1、目标检测
3.2、图像分类
4、参考
[1].No More Strided Convolutions or Pooling:A New CNN Building Block for Low-Resolution Images and Small Objects
5、推荐阅读
Two-Stage目标检测困难负样本如何利用？大小目标如何同时优化？nRPN给你答案！
