论文名称：InceptionNeXt: When Inception Meets ConvNeXt

论文原文 (Paper)：https://arxiv.org/abs/2303.16900
代码 (code)：https://github.com/sail-sg/inceptionnext

---

哔哩哔哩视频讲解：https://space.bilibili.com/57394501?spm_id_from=333.337.0.0

本论文的完整复现代码（即插即用版）已更新至专栏
即插即用系列（代码实践） | CVPR InceptionNeXt：当 Inception 遇上 ConvNeXt，大核卷积的速度瓶颈被打破了吗？

---

1. 核心思想

本文的核心论点是：现有的现代化 CNN（如 ConvNeXt）虽然通过大核深度卷积（Large-kernel Depthwise Conv）提升了感受野和性能，但由于高昂的内存访问成本（Memory Access Cost），其实际运行速度在高性能 GPU 上受到严重限制。为了解决这一“高 FLOPs 效率低吞吐量”的矛盾，作者借鉴经典的 Inception 思想，提出了 Inception Depthwise Convolution。该算子将大核卷积分解为四个并行的通道分支（小方核、水平带状核、垂直带状核、恒等映射），在保持大感受野的同时，极大地降低了计算复杂度和内存开销，从而构建了 InceptionNeXt，在 ImageNet-1K 上实现了比 ConvNeXt-T 快 1.6 倍的训练吞吐量，且精度更高。

---

2. 背景与动机

背景：大核卷积的“虚假”高效

在 Vision Transformer (ViT) 兴起后，ConvNeXt 等工作通过引入大卷积核（如 $7\times 7$）成功让 CNN 重新获得了与 ViT 抗衡的性能。理论上，深度卷积（DWConv）的 FLOPs 很低，应当非常高效。然而，在 A100 等强大的计算设备上，ConvNeXt 的实际吞吐量远低于 ResNet-50。

关键问题：单纯增加卷积核尺寸（Kernel Size）虽然参数量增加不多，但会显著增加内存访问操作，导致计算受限于内存带宽（Memory-bound），而非计算能力。如何在保留大感受野（高性能）的同时，恢复 CNN 传统的推理速度优势？

动机图解分析

看图说话：

• 现有方法的局限性：请观察图中的蓝色圆点。ConvNeXt-T/k7（即标准版）虽然准确率较高（~82.1%），但其吞吐量仅为 575 images/s 左右。当我们简单地将卷积核缩小为 $3\times 3$（ConvNeXt-T/k3）时，虽然速度提升到了 ~800 images/s，但准确率大幅下降。这说明在 ConvNeXt 框架下，速度与精度存在明显的矛盾。
• ResNet 的位置：右下角的绿色点 ResNet-50 速度极快（接近 1000 images/s），但精度已落后时代。
• 本文的目标：图右上角的红色点 InceptionNeXt-T 完美地结合了两者——它拥有接近 ResNet-50 的超高吞吐量，同时准确率甚至超过了 ConvNeXt-T。
• 结论：这证明了作者提出的“Inception 风格分解”策略成功打破了原有的大核速度瓶颈。

看图说话：

• 效率瓶颈：蓝色三角形显示，标准深度卷积的 FLOPs 随核大小呈二次方增长 ($k^2$)。
• 本文优势：红色圆形显示，本文提出的 Inception 深度卷积的 FLOPs 随核大小呈线性增长。这意味着我们可以使用更大的核（如 11, 13, 15）而不带来显著的计算负担。

---

3. 主要创新点

1. Inception Depthwise Convolution：提出了一种新的空间混合算子，将昂贵的大核 DWConv 分解为几个并行的低成本分支（小核+带状核+Identity），有效降低了计算复杂度和内存访问成本。
2. MetaNeXt Block：抽象出了一种通用的残差块结构 MetaNeXt，它是 MetaFormer 的简化版（合并了 Token Mixer 和 MLP 的残差连接），进一步提升了推理速度。
3. 高性能与高效率的统一：构建了 InceptionNeXt 系列模型，在保持 SOTA 级别精度的同时，显著提升了现有大核 CNN 的实测吞吐量（Throughput），为未来架构设计提供了经济高效的 Baseline。

---

4. 方法细节

整体网络架构

InceptionNeXt 遵循了标准的四阶段金字塔结构（与 ResNet、ConvNeXt 一致）：

1. 输入 (Input)：图像输入网络。
2. Patch Embed / Downsampling：通过卷积层进行下采样，生成不同分辨率的特征图（Stride=4, 8, 16, 32）。
3. MetaNeXt Blocks 堆叠：这是网络的主体。每个阶段包含多个堆叠的 MetaNeXt Block。
   • 数据流：$Input\to \text{Inception DWConv}\to \text{Norm}\to \text{MLP}\to \text{Residual Add}\to Output$。
   • 注意：这里采用了一种简化的残差结构，即 Token Mixer 和 MLP 共享一个 Shortcut，这比 MetaFormer（两个 Shortcut）更高效。
4. 输出 (Output)：经过全局平均池化（GAP）和分类头输出结果。

核心创新模块详解：InceptionNeXt Block

模块分析 (InceptionNeXt Block - 最右侧子图)：

该模块的核心在于将 ConvNeXt Block 中的 $7\times 7$ DWConv 替换为了 Inception Depthwise Convolution。让我们详细拆解这个“虚线框”内部的数据流：

1. 输入分裂 (Channel Split)：
   假设输入特征图通道数为 $C$。首先沿通道维度将其切分为 4 个组。作者定义了一个“卷积分支比例”（Convolution branch ratio），默认为 $1/8$。这意味着并未对所有通道进行卷积处理。

2. 并行分支处理 (Parallel Branches)：

   • 分支 1 (Small Square Kernel)：处理部分通道。使用 $3\times 3$ DWConv。目的：捕捉局部细节特征。
   • 分支 2 (Horizontal Band Kernel)：处理部分通道。使用 $1\times 11$ DWConv。目的：捕捉水平方向的长距离依赖。
   • 分支 3 (Vertical Band Kernel)：处理部分通道。使用 $11\times 1$ DWConv。目的：捕捉垂直方向的长距离依赖。
   • 分支 4 (Identity Mapping)：剩余的大部分通道不做任何卷积操作，直接通过。目的：保留原始信息，减少计算量（类似 ShuffleNet 的思想）。

3. 特征拼接 (Concat)：
   将上述四个分支的输出在通道维度重新拼接回来，恢复为 $C$ 通道。

4. 后续处理：
   拼接后的特征经过 Norm (Batch Norm)，进入 MLP ($1\times 1$ Conv -> GELU -> $1\times 1$ Conv)，最后与输入进行残差相加。

理念与机制总结

理念：“稀疏化与分解”。
作者认为并非所有通道都需要进行昂贵的大核卷积。

1. 稀疏化：通过 Identity 分支，让一部分通道“休息”，这大大减少了内存访问。
2. 分解：利用 Inception 的思想，将 $k\times k$ 的大感受野分解为 $k\times 1$ 和 $1\times k$。这种分解将参数量和 FLOPs 从 $O(k^2)$ 降低到了 $O(k)$。
3. 协同：$3\times 3$ 负责局部，$1\times 11$ 和 $11\times 1$ 负责全局，Identity 负责特征复用。这种组合在理论上近似模拟了大核卷积的效果，但在硬件上却快得多。

图解总结

结合 Figure 1 的动机图和 Figure 2 的结构图：ConvNeXt 慢是因为 $7\times 7$ DWConv 这种“致密”的大核算子不仅计算量大，更重要的是内存读写频繁。InceptionNeXt 通过 Figure 2 中的Split-Transform-Concat 机制，巧妙地绕过了这个瓶颈，用低成本的算子组合达到了图 1 右上角“又快又好”的效果。

---

5. 即插即用模块的作用

Inception Depthwise Convolution 是一个高度通用的算子，可以作为“即插即用”的模块替换现有的空间混合层：

1. 替换大核卷积：在任何使用 $7\times 7$ 或更大卷积核的 CNN（如 ConvNeXt, RepLKNet）中，可以直接替换其 DWConv 层，以大幅降低 FLOPs 和提升推理速度，尤其是在移动端或边缘设备上。
2. 轻量化模型设计：适用于对延迟敏感的场景（如自动驾驶、实时视频处理）。其 Identity 分支的设计类似于 GhostNet 或 ShuffleNet，非常适合作为移动端主干网络（Backbone）。
3. Transformer 的替代：在 PoolFormer 或 MetaFormer 架构中，将其作为 Token Mixer，可以获得比 Pooling 更强的特征提取能力，同时比 Self-Attention 更快、更省显存。

---

6. 实验简单分析

• ImageNet 分类：
  • InceptionNeXt-T 达到了 82.3% 的 Top-1 准确率，比 ConvNeXt-T 高 0.2%，同时训练吞吐量提升 1.6倍，推理吞吐量提升 1.2倍。
  • 在相同的 FLOPs 下，InceptionNeXt 始终优于 Swin Transformer 和 ConvNeXt。
• 语义分割 (ADE20K)：
  • 作为 UperNet 的骨干网络，InceptionNeXt-T 达到了 47.9 mIoU，比 ConvNeXt-T 高出 1.2 mIoU，且 FPS 更高。这证明了其提取的特征不仅不仅适用于分类，在密集预测任务中也具有很强的鲁棒性。
• 消融实验：
  • 去掉带状卷积（Band Kernels）会导致性能显著下降，证明了长距离依赖建模的重要性。
  • 保留部分通道不做处理（Identity）是提升速度的关键，且对精度影响极小。

到此，所有的内容就基本讲完了。如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦😄。

7. 获取更多即插即用代码关注 【AI即插即用】