Title: TVConv: Efficient Translation Variant Convolution for Layout-aware Visual Processing
Paper: https://arxiv.org/abs/2203.10489
Code: https://github.com/JierunChen/TVConv
医学图像分割的一篇论文，数据集都没见过。主要提出了个对空间Dynamic，对数据却Static的，动态又感觉不那么动态的动态卷积。用了一个Affinity Map喂给Weight Genrate模块来生成权重，这个过程类似非线性的矩阵分解。Affinity Map是包含了该数据集图片的一定共性的，比如鼻子眼睛在上嘴巴在下，因此能够很好地提取不同空间位置的信息。
不过我好奇的是，当从人脸识别和工业检测转向ImagNet这种1000多类的数据集，Affinity Map这种机制能否保持有效。
引文整理
Per-pixel动态卷积: TVConv引文整理-Per-pixel动态卷积
Per-image动态卷积: TVConv引文整理-Per-image动态卷积
Motivation
TE问题
translation equivariance转换等变性，这是一个很不错的特性。 将卷积操作展开为矩阵乘法，很容易观察到对于输入，变换矩阵是在不同空间位置共享卷积核参数的(稍有变化，以移位和补零的方式)。但是TE也使得模型适应不同位置输入的能力变差了，对于specific layout，就需要学习非常多的卷积核来匹配特征。
两种方差
对于layout-specific tasks，比如人脸识别，所有图片都遵循类似的模式，然而每张图片空间上的差异极大。文章称之为large intra-image (spatial) variance and small cross-image variance。这一点，给出了VGG中间层特征的统计量作为证明(Fig1)。
所以，有些工作为了解决large intra-image variance，在per-image上提出了per-pixel的动态卷积——但实际上并不好用，因为1) 特别耗显存和FLOPs; 2)没有利用好small cross-image variance这回事儿。
贡献
- rethinking了一下传统卷积里面由于没有利用好两个方差这个特性，存在的无用功部分；
- 提了个TVConv，建立在1的假设之上；
- 做了拓展实验，2提的TVConv在人脸识别很牛，上到医学图像任务上居然更他妈的牛。
Methodology
针对这个layout-specific tasks，本文提出的Translation Variant Convolution (TVConv)同时利用好了两种方差的特点。简单理解为，对于BxCxHxW的输入，变换矩阵在H, W维度不同，却在B维度上共享——本文认为这是效率最高的方式。
TVConv流程
提出了1) Affinity Maps来区分多种不同的局部特征。这个东西隐式地捕捉了不同空间区域的语义特征，这很self-attention很像，却没有生成HWxHW的庞大矩阵；2) 接着，我们把Affinity Maps交给权重生成网络，来产生权重。这个TVConv还有一个好处，就是Affinity Maps也是训练一次就固定，生成的权重也可以生成一次就存下来，以后对所有输入都不改变。
数学表达
每次公式部分读完了就不想写，很奇怪，回头补下。。
结果
形式上，简单地即插即用，直接替换DWConv。
- 对轻量化，这节约了3.1x的复杂度(理论证明)，并在不掉点前提下达到2.3x加速；
- 对准确度，(我猜的)小幅增加参数，能够提高4.21%的准确度。
实验分析
四个问题
①TVConv对于数据增强够鲁棒吗？
答：某些甚至加了更好；对大部分，有鲁棒性；加得太多，最差情况退化为普通DW卷积（PS：这其实是很符合理论的结论啊！）。
②如何初始化Affinity Maps？
答：默认是使用常数maps初始化，即从DWConv开始。理论上，从初始化为所有图片的统计值会更好，然而实验没做出来。作者感觉这是因为深层次的Affinity Maps包含一些高级语义信息了，只通过统计均值方差，很难总结出需要的“高级的共性”。
③过参数化Weight-Generate模块有用吗？
答：真的有用，加宽加深Weight-Generate模块都能提点。但是，搞太大也会饱和。
④既然TVConv可以即插即用，那么插在哪好？
答：替换在网络深层好，替换浅层时效果甚至会变差。
总结
缺点
因为Affinity Maps是ca, H, W，导致必须确定H, W，也就不能适应动态分辨率。
未完待续
文章出处登录后可见！
