CVPR 2023 | InternImage: 65.4 mAP，刷新 COCO 目标检测榜单记录！

Title: InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions

Paper: https://arxiv.org/abs/2211.05778

Code: https://github.com/OpenGVLab/InternImage

导读

InternImage 在 COCO 数据集上达到了最高的 65.4 mAP，为目前最高纪录（点击查看）。这项成果早已得到媒体的广泛关注，现在论文已被 CVPR 2023 接收，本文将奉上来自研究团队的解读，近期已开源相关模型、代码以及 TensorRT 部署，未来还将开放 InternImage 模型的推理服务 API。欢迎大家试用！

InternImage 是一种新的基于卷积的基础模型，与最近关注的大核卷积的 CNN 网络不同，InternImage 以可变形卷积作为核心算子，使模型不仅具有检测和分割等下游任务所需的大尺度有效感受野，而且能够进行以输入信息和任务为条件的自适应空间聚合。

动机

传统卷积神经网络的局限

扩大模型的规模是提高特征表示质量的重要策略，在计算机视觉领域，模型参数量的扩大不仅能够有效加强深度模型的表征学习能力，而且能够实现从海量数据中进行学习和知识获取。ViT和Swin Transformer首次将深度模型扩大到20亿和30亿参数级别，其单模型在ImageNet数据集的分类准确率也都突破了90%，远超传统CNN网络和小规模模型，突破了技术瓶颈。但是，传统的CNN模型由于缺乏长距离依赖和空间关系建模能力，无法实现同Transformer结构相似的模型规模扩展能力。研究者总结了传统卷积神经网络与视觉Transformer的不同之处：

算子层面

从算子层面来看，视觉Transformer的多头注意力机制具有长距离依赖和自适应空间聚合能力，受益于此，视觉Transformer可以从海量数据中学到比CNN网络更加强大和鲁棒的表征。

模型架构

从模型架构角度，除了多头注意力机制，视觉Transformer拥有CNN网络不具有的更加先进的模块，例如Layer Normalization (LN), 前馈神经网络FFN, GELU等。

尽管最近的一些工作尝试使用大核卷积来获取长距离依赖，但是在模型尺度和精度方面都与最先进的视觉Transformer有着一定距离。

可变性卷积网络的进一步拓展

InternImage 通过重新设计算子和模型结构提升了卷积模型的可扩展性并且缓解了归纳偏置，包括:

• DCNv3 算子: 基于DCNv2算子引入共享投射权重、多组机制和采样点调制。
  
• 基础模块：融合先进模块作为模型构建的基本模块单元
  
• 模块堆叠规则：扩展模型时规范化模型的宽度、深度、组数等超参数。
  

该工作致力于构建一个能够有效地扩展到大规模的参数的CNN模型。首先，重新设计的可变形卷积算子DCNv2以适应长距离依赖和弱化归纳偏置；然后，将调整后的卷积算子与先进组件相结合，建立了基础单元模块；最后，探索并实现模块的堆叠和缩放规则，以建立一个具有大规模参数的基础模型，并且可以从海量数据中学习到强大的表征。

方法

算子层面，首先总结一下卷积算子与其他主流算子的主要区别。当前主流的Transformer系列模型主要依靠多头自注意力机制实现大模型构建，其算子具有长距离依赖性，足以构建远距离特征依赖，还具有空间的自适应聚合能力以实现构建像素级别的关系。

但这种全局的注意力机制其计算和存储需求量巨大，很难实现高效训练和快速收敛。同样的，局部注意力机制缺乏远距离特征的依赖。大核密集卷积由于没有空间聚合能力，而难以克服卷积天然的归纳偏置，不利于扩大模型。因此，InternImage 通过设计动态稀疏卷积算子，达到实现全局注意力效果的同时不过多浪费计算和存储资源，实现高效训练。

研究者基于DCNv2算子，重新设计调整并提出DCNv3算子，具体改进包括以下几个部分。

共享投射权重。

与常规卷积类似，DCNv2中的不同采样点具有独立的投射权重，因此其参数大小与采样点总数呈线性关系。为了降低参数和内存复杂度，借鉴可分离卷积的思路，采用与位置无关的权重代替分组权重，在不同采样点之间共享投影权重，所有的采样位置依赖性都得以保留。

引入多组机制

多组设计最早是在分组卷积中引入，并在Transformer的多头自注意力中广泛使用，它可以与自适应空间聚合配合，有效地提高特征的多样性。受此启发，研究者将空间聚合过程分成若干组，每个组都有独立的采样偏移量。自此，单个DCNv3层的不同组拥有不同的空间聚合模式，从而产生丰富的特征多样性。

采样点调制标量归一化。

为了缓解模型容量扩大时的不稳定问题，研究者将归一化模式设定为逐采样点的Softmax归一化，这不仅使大规模模型的训练过程更加稳定，而且还构建了所有采样点的连接关系。

构建 DCNv3 算子之后，接下来首先需要规范化模型的基础模块和其他层的整体细节，然后通过探索这些基础模块的堆叠策略，构建了InternImage。最后，根据所提出模型的扩展规则，构建不同参数量的模型。

基础模块

与传统CNN中广泛使用的瓶颈结构不同，采用了更接近ViTs的基础模块，配备了更先进的组件，包括GELU、层归一化（LN）和前馈网络（FFN），这些都被证明在各种视觉任务中更有效率。基础模块的细节如上图所示，其中核心算子是DCNv3，通过将输入特征通过一个轻量级的可分离卷积来预测采样偏置和调制尺度。对于其他组件，遵循与普通Transformer相同的设计。

叠加规则

为了明确区块堆叠过程，提出两条模块堆叠规则，其中第一条规则是后三个阶段的通道数由第一阶段的通道数决定。第二条规则是各模块组号与各阶段的通道数对应；第三，堆叠模式固定为“AABA”，即第1、2和4阶段的模块堆叠数是相同的，并且不大于第3阶段。

由此选择将参数量为 30M 级别的模型作为基础，其具体参数为：Steam 输出通道数为64；分组数为每个阶段输入通道数的1/16，第1、2、4阶段的模块堆叠数为4，第3阶段的模块堆叠数为18，模型参数为30M。

模型缩放规则

基于上述约束条件下的最优模型，规范化了网络模型的两个缩放维度：即深度D（模块堆叠数）和宽度C（通道数），利用限制因子和沿着复合系数对深度和宽度进行缩放。

按照此规则，构建了不同模型尺度的模型，即InternImage-T、S、B、L、XL、H。具体参数为：

实验结果

图像分类

通过使用427M的公共数据集合：Laion-400M，YFCC15M，CC12M，InternImage-H在ImageNet-1K的精度达到了89.6%。并在近期研发中InternImage分类模型在ImageNet-1K上的精度已经达到90.1%。

目标检测

以最大规模的InternImage-H为骨干网络，以DINO作为基础检测框架，在Objects365数据集上进行预训练，然后在COCO数据集上进行微调。该模型在目标检测任务中达到了65.4%的最优结果，突破了COCO目标检测的性能边界。

语义分割

在语义分割上，InternImage-H同样取得了很好的性能，结合Mask2Former在ADE20K上取得了当前最高62.9%。

其他SOTA：此外，InternImage-H在其他15个不同场景不同任务的公开数据集中都取得了最佳成绩，并且普遍与前人拉开差距。

总结

研究人员提出了 InternImage，这是一种新的基于 CNN的大规模基础模型，可以为图像分类、对象检测和语义分割等多功能视觉任务提供强大的表示。研究者调整灵活的DCNv2算子以满足基础模型的需求，并以核心算子为核心开发了一系列的block、stacking和scaling规则。目标检测和语义分割基准的大量实验验证了InternImage可以获得与经过大量数据训练的精心设计的大规模视觉转换器相当或更好的性能，这表明CNN也是大规模视觉基础模型研究的一个相当大的选择。尽管如此，大规模的CNN仍处于早期发展阶段，研究人员希望InternImage可以作为一个很好的起点。