本文首发于极市平台，作者： @Happy，转载须经授权并注明来源

论文链接：

代码链接：

“文艺复兴”，ConvNet卷土重来，压过Transformer。本文是FAIR的Zhuang Liu(DenseNet的作者)与Saiming Xie(ResNeXt的作者)关于ConvNet的最新探索，以ResNet为出发点，逐步引入近来ViT架构的一些设计理念而得到的纯ConvNet新架构ConvNeXt，取得了优于SwinTransformer的性能，让ConvNet再次性能焕发。

Abstract

ViT伴随着视觉的“20年代”咆哮而来，迅速的碾压了ConvNet成为主流的研究方向。然而，当应用于广义CV任务(如目标检测、语义分割)时，常规的ViT面临着极大挑战。因此，分层Transformer(如Swin Transformer)重新引入了ConvNet先验信息，使得Transformer成实际可行的骨干网络并在不同视觉任务上取得了非凡的性能。然而，这种混合方法的有效性仍然很大程度上归根于Transformer的内在优越性，而非卷积固有归纳偏置。

本文对该设计空间进行了重新审视并测试了ConvNet所能达到的极限。我们将标准卷积朝ViT的设计方向进行逐步“现代化”调整，并发现了几种影响性能的关键成分。由于该探索是纯ConvNet架构，故将其称之为ConvNeXt。完成由标准ConvNet模块构建的ConvNeXt取得了优于Transformer的精度87.8%，在COCO检测与ADE20K分割任务上超越了SwinTransformer，同时保持了ConvNet的简单性与高效性。

Modernizing ConvNet：Roadmap

接下来，我们将提供从ResNet到ConvNeXt的演变轨迹。我们考虑了两种不同FLOPs尺寸的模型：ResNet50/Swin-T(FLOPs约)与ResNet200/Swin-B(FLOPs约)，为简单起见，这里仅呈现ResNet50/Swin-T复杂度模型的结果。

我们以ResNet50作为出发点，首先采用类似ViT的训练技术对其重训练并得到ResNet50的改进结果(这将作为本文的基线)；然后我们研究了一系列设计准则，总结如下：

Macro DesignResNeXtInverted BottleneckLarge Kernel SizeVarious Layer-wise Micro Design.

从上图可以看到网络架构每一次进化所能取得的性能(ConvNeXt-T取得了82%，超越了Swin-T的81.3%)，由于模型复杂度与最终性能相关，故FLOPs进行了一定程度的控制。

Training Techniques

除了网络架构的设计外，训练方式也会影响最终的性能。ViT不仅带来了新的模块与架构设计，同时还引入了不同的训练技术，如AdamW优化。因此，探索的第一步就是采用ViT的训练机制训练基线模型ResNet-50/200。

本文采用了DeiT与SwinTransformer的训练方案，可参见上表。训练周期从原始的90epoch扩展到了300epoch；优化器为AdamW，数据增广包含Mixup、Cutmix、RandAugment、RandomErasing；正则化技术包含Stochastic Depth与Label Smoothing。增强的训练技术将ResNet50的性能从76.1%提升到了78.8%，这说明：Transformer与ConvNet的性能差距很大比例源自训练技术的升级。

Macro Design

我们现在开始对SwinTransformer的宏观架构设计，它参考ConvNet采用了多阶段设计思想，每个阶段具有不同的特征分辨率。它具有两个有意思的设计考量：(1) Stage Compute Ratio; (2)Stem Cell架构。

Changing Stage Compute Ratio. 原始ResNet的计算分布是经验性成果。“res4”的重计算设计是为了与下游任务(如目标检测)相兼容；而Swin-T参考了类似的设计准则但将计算比例微调为，更大的SwinTransformer的比例则为。参考该设计理念，我们将ResNet50每个阶段的块数从调整为。此时模型的性能从78.8%提升到79.4%。

Changing Stem to "Patchify". 一般来讲，Stem设计主要关心：在网络起始部分如何对图像进行处理。由于自然图像的信息冗余性，常见的Stem通过对输入图像下采样聚合到适当的特征尺寸。ResNet中的Stem包含stride等于2的卷积+MaxPool，它将输入图像进行4倍下采样；而ViT则采用了"Patchify"策略，它对应了大卷积核(如14、16)、非重叠卷积；SwinTransformer采用了类似的"Patchify"，但块尺寸为4以兼容多阶段设计架构。我们将ResNet中的Stem替换为的"Patchify"层。此时，模型的性能从79.4%提升到了79.5%。

ResNeXt-ify

在这里，我们尝试采用了ResNeXt的设计理念(采用更多的组扩展宽度)，其核心成分为组卷积。具体来说，ResNeXt在Bottleneck中为采用组卷积。这种设计方式可以大幅减少FLOPs，故通过提升网络宽度补偿容量损失。

在本文中，我们采用depthwise卷积，同时将网络的宽度进行了提升，此时它与Swin-T具有相同的通道数。此时，模型的性能提升到了80.5%，而FLOPs则提升到了53.G。

Inverted Bottleneck

Transformer模块的一个重要设计：它构建了Inverted Bottleneck，如MLP的隐层维度是输入维度的4倍。有意思的是：Transformer的这种设计与ConvNet中的Inverted Bottleneck(最早源自MobileNetV2)设计相一致。

在这里，我们探索了上图的几种不同设计，它将网络的FLOPs下降到了4.6G。有意思的是，这种设计将模型的性能从80.5%提升到了80.6%。对ResNet200的性能提升则更大，从81.9%提升到了82.6%。

Large Kernel Sizes

在这部分，我们聚焦于大卷积核的行为表现。ViT的最重要区分是其非局部自注意力，它使得每一层均具有全局感受野。尽管SwinTransformer采用了局部窗口机制，但其感受野仍至少为，远大于ConvNet的。因此，我们将ConvNet中使用大卷积核卷积进行回顾。

Moving up depthwise conv layer. 为探索大核，先决条件是depthwise卷积的位置上移(见Figure3c)。这种设计理念等同于Transformer中的MHSA先于MLP。此时，模型的性能临时下降到了79.9%，而FLOPs也下降到了4.1G。

Increasing the kernel size. 基于上述准备，我们采用了更大的卷积核，如。此时，模型的性能从79.9%!提升到了80.6%()，而模型的FLOPs几乎不变。

Micro Design

接下来，我们将从微观角度(即OP层面)探索几种架构差异，主要聚焦于激活函数与Normalization层的选择。

Replacing ReLU wit GELU. NLP与视觉架构的一个差异体现在激活函数的实用。ConvNet大多采用ReLU，而ViT大多采用GELU。我们发现：ConvNet中的ReLU可以替换为GELU，同时性能不变(80.6%)。

Fewer Activation Functions. Transformer与ResNet模块的一个小区别：Transformer模块使用了更少的激活函数。类似的，我们对ConvNeXt模块进行下图所示的改进，模型性能从80.6%提升到了81.3%(此时，它具有与Swin-T相当的性能)。

Fewer Normalization Layers Transformer通常具有更少的Normalization层，因此我们移除两个BN层仅保留卷积之前的一个BN。模型的性能提升到了81.4%，超越了Swin-T。

Substituting BN with LN 尽管BN是ConvNet的重要成分，具有加速收敛降低过拟合的作用；但BN对模型性能也存在有害影响。Transformer中的LN对不同的应用场景均具有比较好的性能。直接在原始ResNet中将BN替换为LN会导致性能下降，而组合了上述技术后再将BN替换为LN则能带来性能的提升：81.5%。

Separate Downsamling Layers 在ResNet中，每个阶段先采用stride=2的卷积进行下采样；而SwinTransformer则采用了分离式下采样层。我们探索了类似的策略：采用stride=2的卷积进行下采样，但这种方式导致了“不收敛”。进一步研究表明：在下采样处添加Normalization层有助于稳定训练。此时，模型的性能提升到了82.0%，大幅超越了Swin-T的81.3%。

Closing remarks. 到此为止，我们完成了ConvNet的进化之路，得到了超越SwinTransformer的纯ConvNet架构ConvNeXt。需要注意的是，上述设计并没有新颖之处，均得到了研究，但并未进行汇总集成。ConvNeXt具有与SwinTransformer相当的参数量、吞吐量、内存占用，更高的性能，且不需要依赖特定的模块(比如移位窗口注意力、相对位置偏置)。

Exmpirical Evaluations on ImageNet

基于前述ConvNeXt架构，我们构建了ConvNeXt-T/S/B/L以对标Swin-T/S/B/L。此外，我们还构建了一个更大的ConvNeXt-XL以进一步测试ConvNeXt的缩放性。不同变种模型的区别在于通道数、模块数，详细信息如下：

ConvNeXt-T: C=，B=ConvNeXt-S: C=，B=ConvNeXt-B: C=，B=ConvNeXt-L: C=，B=ConvNeXt-XL: C=，B=

上表给出了ImageNet上的性能对比，从中可以看到：

ConvNeXt具有比ConvNet(如RegNet、EfficientNet)更佳的精度-计算均衡以及吞吐量；ConvNeXt同样具有比SwinTransformer更佳的性能，且无需特殊操作模块；ConvNeXt@384比Swin-B性能高0.6%且推理速度快12.5%；仅需ImageNet训练，ConvNeXt-XL的性能即可达到85.5%；当采用ImageNet-22K预训练时，模型性能进一步提升到了87.8%。

既然ConvNeXt这么好，其设计理念能否应用到ViT中呢？结果见上表，从中可以看到：两者具有相当的性能，这意味着：ConvNeXt的设计理念用于非分层模块时仍具有竞争力。

Empirical Evalution on Downstream Tasks

为进一步验证ConvNeXt在下游任务的表现，我们基于Mask R-CNN与Cascade Mask R-CNN在COCO检测方面的性能，结果见上表，从中可以看到：ConvNeXt取得了与SwinTransformer相当，甚至更优的性能。当采用更大的骨干且ImageNet22K预训练时，ConvNeXt的性能更佳。

上表给出了ADE20K数据上的性能对比，从中可以看到：在不同容量大小下，ConvNeXt均可取得极具竞争力的结果，进一步验证了ConvNeXt的有效性。

上表还给出了Swin与ConvNeXt在吞吐量方面的对比，很明显：ConvNeXt具有比Swin更高的吞吐量、更高的精度。