【GiantPandaCV導(dǎo)語】本文介紹的是韓松團(tuán)隊(duì)針對(duì)欠擬合問題提出的一種解決方案，在代價(jià)可接受范圍內(nèi)能夠提升小模型的性能。

引入

專用于解決小型網(wǎng)絡(luò)模型欠擬合 帶來的問題，通過引入更大的模型包圍住小模型從而得到額外的監(jiān)督信息。欠擬合情況下使用正則化方法進(jìn)行處理會(huì)導(dǎo)致性能更差。

NetAug適用場景：

• 數(shù)據(jù)集量比較大

• 模型參數(shù)量相對(duì)而言比較小

• 由于模型容量有限導(dǎo)致的欠擬合問題

問題明確

• 與知識(shí)蒸餾區(qū)別：

知識(shí)蒸餾相當(dāng)于學(xué)習(xí)一個(gè)soft label(或者說learned label smoothing), 而NetAug主要強(qiáng)調(diào)處理欠擬合問題，通過增強(qiáng)小模型的模型寬度來獲取更多監(jiān)督信息。

• 與普通正則化方法區(qū)別：

正則化方法有數(shù)據(jù)增強(qiáng)方法（Cutout,Mixup,AutoAug,RandAug）和Dropout系列（Dropout,StochasticDepth, SpatialDropout,DropBlock）。與這些解決過擬合正則化方法不同，NetAug主要關(guān)注欠擬合問題，進(jìn)行數(shù)據(jù)增強(qiáng)反而會(huì)導(dǎo)致欠擬合問題。

核心方法

如上圖所示，訓(xùn)練的過程中會(huì)引入比原先小模型更寬的一系列網(wǎng)絡(luò)，用寬網(wǎng)絡(luò)的監(jiān)督信號(hào)來增強(qiáng)小模型的學(xué)習(xí)。

第一項(xiàng)是訓(xùn)練單個(gè)小網(wǎng)絡(luò)需要的loss, 第二項(xiàng)是寬網(wǎng)絡(luò)帶來的輔助監(jiān)督信息，其中$alpha_i
$是縮放系數(shù)

寬網(wǎng)絡(luò)獲取方式：augmentation factor r和diversity factor s兩個(gè)系數(shù)。

• r 是用于選擇最寬的邊界，假設(shè)基礎(chǔ)寬度為w，那么寬度選擇范圍為【w, rxw】

• s則是控制采樣頻率，從w到rxw等距采樣s個(gè)寬模型。

訓(xùn)練過程：

實(shí)際訓(xùn)練過程權(quán)重更新如下：

每次權(quán)重更新只訓(xùn)練小網(wǎng)絡(luò)和單個(gè)寬網(wǎng)絡(luò)，這樣可以降低計(jì)算代價(jià)，并且通過實(shí)驗(yàn)發(fā)現(xiàn)，沒必要同時(shí)采樣多個(gè)寬網(wǎng)絡(luò)進(jìn)行訓(xùn)練，那樣會(huì)導(dǎo)致性能的下降。

通過以上改進(jìn)為欠擬合小模型帶來了一定的收益，同時(shí)訓(xùn)練開銷僅增大了17%

實(shí)驗(yàn)

首先，論文為了證明NetAug和蒸餾方法是不相等的（正交），設(shè)計(jì)了一系列實(shí)驗(yàn)。

最優(yōu)模型實(shí)際上是同時(shí)使用了知識(shí)蒸餾和NetAug的方案。

為了證明NetAug作用在欠擬合模型，設(shè)計(jì)了以下實(shí)驗(yàn)：

ProxylessNAS Mobile, MCUNet，MobileNetv2都是小模型，在這些小模型上使用NetAug均可以取得不錯(cuò)的提升。但是在比較大的模型ResNet50上，不存在欠擬合的問題，所以起到了反作用。

為了證明NetAug和其他正則化方法不同，設(shè)計(jì)了以下實(shí)驗(yàn)。

可以發(fā)現(xiàn)，在使用KD情況下加入正則化會(huì)導(dǎo)致性能下降。

但是使用KD情況下，采用NetAug會(huì)使得精度進(jìn)一步提升。

在目標(biāo)檢測算法中應(yīng)用：

總結(jié)

針對(duì)過擬合有很多耳熟能詳?shù)奶幚聿呗?，比如Dropout，數(shù)據(jù)增強(qiáng)，增加數(shù)據(jù)，控制模型復(fù)雜度，正則化等。

而針對(duì)模型容量不足帶來的欠擬合問題，通常采用的是增加模型容量，或者增加特征表示。

本文針對(duì)欠擬合問題提出了一種更優(yōu)的解法，在保證模型大小不變的情況下，提升小模型的實(shí)際性能，具有很高的價(jià)值（缺點(diǎn)是實(shí)現(xiàn)起來比較復(fù)雜）。