{"notes":[{"id":"classic-cnns/cspnet","category":"classic-cnns","legacyPath":"classic-cnns/1911-cspnet","legacySlug":"1911-cspnet","legacyPaths":[],"title":"CSPNet","subtitle":"半半半プラグイン","author":"Z. Yuan","paperDate":"2019-11-27","publishedOn":"2024-09-29","paperTitle":"CSPNet: A New Backbone that can Enhance Learning Capability of CNN","paperUrl":"https://arxiv.org/abs/1911.11929","bibliography":{"title":"CSPNet: A New Backbone that can Enhance Learning Capability of CNN","authors":["Chien-Yao Wang","Hong-Yuan Mark Liao","I-Hau Yeh","Yueh-Hua Wu","Ping-Yang Chen","Jun-Wei Hsieh"],"url":"https://arxiv.org/abs/1911.11929","pdfUrl":"https://arxiv.org/pdf/1911.11929","codeUrl":null,"preprint":{"id":"1911.11929","submittedOn":"2019-11-27","url":"https://arxiv.org/abs/1911.11929"},"publication":{"venue":"CVPR Workshops","year":2020,"kind":"workshop","url":"https://doi.org/10.1109/cvprw50498.2020.00203"},"citation":"@misc{classiccnnscspnet2019,\n  title = {{CSPNet: A New Backbone that can Enhance Learning Capability of CNN}},\n  author = {Chien-Yao Wang and Hong-Yuan Mark Liao and I-Hau Yeh and Yueh-Hua Wu and Ping-Yang Chen and Jun-Wei Hsieh},\n  year = {2019},\n  eprint = {1911.11929},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1911.11929}\n}\n","citationPath":"/content/papers/citations/classic-cnns/cspnet.2914b9492a0c.bib"},"thumbnail":{"src":"/content/papers/assets/2602af8b5f92cba820e545c84abd94943cab1fe2631cf83834972b54b374ed20.jpg","width":2809,"height":1911},"locale":"ja","path":"/content/papers/ja/classic-cnns/cspnet.e7262919464c.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"モデルアーキテクチャ","text":"モデルアーキテクチャ","depth":3},{"id":"トランジションレイヤー","text":"トランジションレイヤー","depth":3},{"id":"正確な融合モデル","text":"正確な融合モデル","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"csp-構造の有効性","text":"CSP 構造の有効性","depth":3},{"id":"efm-構造の有効性","text":"EFM 構造の有効性","depth":3},{"id":"imagenet-での性能","text":"ImageNet での性能","depth":3},{"id":"ms-coco-での性能","text":"MS COCO での性能","depth":3},{"id":"推論速度","text":"推論速度","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"classic-cnns/inception-v1","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"},{"id":"classic-cnns/resnext","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"}]},{"id":"classic-cnns/inception-v1","category":"classic-cnns","legacyPath":"classic-cnns/1409-inception-v1","legacySlug":"1409-inception-v1","legacyPaths":[],"title":"GoogLeNet","subtitle":"またの名を Inception-V1","author":"Z. Yuan","paperDate":"2014-09-17","publishedOn":"2024-09-22","paperTitle":"Going Deeper with Convolutions","paperUrl":"https://arxiv.org/abs/1409.4842","bibliography":{"title":"Going Deeper with Convolutions","authors":["Christian Szegedy","Wei Liu","Yangqing Jia","Pierre Sermanet","Scott Reed","Dragomir Anguelov","Dumitru Erhan","Vincent Vanhoucke","Andrew Rabinovich"],"url":"https://arxiv.org/abs/1409.4842","pdfUrl":"https://arxiv.org/pdf/1409.4842","codeUrl":null,"preprint":{"id":"1409.4842","submittedOn":"2014-09-17","url":"https://arxiv.org/abs/1409.4842"},"publication":{"venue":"CVPR","year":2015,"kind":"conference","url":"https://doi.org/10.1109/cvpr.2015.7298594"},"citation":"@misc{classiccnnsinceptionv12014,\n  title = {{Going Deeper with Convolutions}},\n  author = {Christian Szegedy and Wei Liu and Yangqing Jia and Pierre Sermanet and Scott Reed and Dragomir Anguelov and Dumitru Erhan and Vincent Vanhoucke and Andrew Rabinovich},\n  year = {2014},\n  eprint = {1409.4842},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1409.4842}\n}\n","citationPath":"/content/papers/citations/classic-cnns/inception-v1.3d20e0e32bcd.bib"},"thumbnail":{"src":"/content/papers/assets/254b970b1374c24267b60c2d684338760e9ba8b10dad761a5fa15f1bb8bcf6ef.jpg","width":1330,"height":394},"locale":"ja","path":"/content/papers/ja/classic-cnns/inception-v1.e67514209915.md","headings":[{"id":"問題の解決","text":"問題の解決","depth":2},{"id":"inception-モジュール","text":"Inception モジュール","depth":3},{"id":"パラメータ設定","text":"パラメータ設定","depth":3},{"id":"モデルアーキテクチャ","text":"モデルアーキテクチャ","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"ilsvrc-2014-でのパフォーマンス","text":"ILSVRC 2014 でのパフォーマンス","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"classic-cnns/resnext","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"},{"id":"classic-cnns/cspnet","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"}]},{"id":"classic-cnns/resnext","category":"classic-cnns","legacyPath":"classic-cnns/1611-resnext","legacySlug":"1611-resnext","legacyPaths":[],"title":"ResNeXt","subtitle":"次元を探る","author":"Z. Yuan","paperDate":"2016-11-16","publishedOn":"2024-07-12","paperTitle":"Aggregated Residual Transformations for Deep Neural Networks","paperUrl":"https://arxiv.org/abs/1611.05431","bibliography":{"title":"Aggregated Residual Transformations for Deep Neural Networks","authors":["Saining Xie","Ross Girshick","Piotr Dollár","Zhuowen Tu","Kaiming He"],"url":"https://arxiv.org/abs/1611.05431","pdfUrl":"https://arxiv.org/pdf/1611.05431","codeUrl":"https://github.com/facebookresearch/ResNeXt","preprint":{"id":"1611.05431","submittedOn":"2016-11-16","url":"https://arxiv.org/abs/1611.05431"},"publication":{"venue":"CVPR","year":2017,"kind":"conference","url":"https://arxiv.org/abs/1611.05431"},"citation":"@misc{classiccnnsresnext2016,\n  title = {{Aggregated Residual Transformations for Deep Neural Networks}},\n  author = {Saining Xie and Ross Girshick and Piotr Dollár and Zhuowen Tu and Kaiming He},\n  year = {2016},\n  eprint = {1611.05431},\n  archivePrefix = {arXiv},\n  url = {https://arxiv.org/abs/1611.05431}\n}\n","citationPath":"/content/papers/citations/classic-cnns/resnext.4945bb6b3dae.bib"},"thumbnail":{"src":"/content/papers/assets/268f5b641a1a85d929d88f2aa0d636902dd9d101824284c32266668493563672.jpg","width":1224,"height":576},"locale":"ja","path":"/content/papers/ja/classic-cnns/resnext.b05c868a098b.md","headings":[{"id":"問題の定義","text":"問題の定義","depth":2},{"id":"下流タスクの一般化能力","text":"下流タスクの一般化能力","depth":3},{"id":"モデル設計に不向き","text":"モデル設計に不向き","depth":3},{"id":"解決策","text":"解決策","depth":2},{"id":"ネットワークアーキテクチャ","text":"ネットワークアーキテクチャ","depth":3},{"id":"モデル設定","text":"モデル設定","depth":3},{"id":"討論","text":"討論","depth":2},{"id":"imagenet-1k-トレーニング結果","text":"ImageNet-1K トレーニング結果","depth":3},{"id":"モデル複雑度の増加","text":"モデル複雑度の増加","depth":3},{"id":"imagenet-1k-モデルのパフォーマンス","text":"ImageNet-1K モデルのパフォーマンス","depth":3},{"id":"結論","text":"結論","depth":2}],"anchorAliases":{},"guide":null,"relatedReading":[{"id":"classic-cnns/inception-v1","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"},{"id":"classic-cnns/cspnet","relation":"comparison","topic":"分岐・グループ畳み込み・特徴の再利用"}]}],"text":"CSPNet は「Cross Stage Partial Network」の略です。\n\nこの設計はその後、Timm の cspdarknet53、cspresnet50、cspresnext50 などの実装にも使われています。まずは、特徴を分けてから再び合わせるだけで、なぜ計算を減らせるのかを見ていきましょう。\n\n## 問題の定義\n\n著者は DenseNet の特徴再利用を出発点に、エッジ機器で特に重要な二つのコストに注目します。\n\n1. **計算ボトルネック：** 一部の層に計算が集中すると、ほかの演算器はその層を待つことになります。著者はモデル全体の FLOPs だけでなく、層ごとの計算量のピークも調べます。論文 Figure 7 のバックボーンと検出ヘッドの削減率は比較対象が異なるため、同じ割合として扱えません。\n\n2. **メモリ転送量：** DenseNet は前の層の特徴を何度も後続層に連結します。再利用には役立ちますが、読み書きと中間テンソルのコストも増え得ます。論文は畳み込みの入出力量 CIO を転送量の近似指標とします。CIO は実測した最大 GPU メモリ量や DRAM 帯域幅ではありません。\n\n\n> [!TIP]\n> \n> DenseNet については別の論文ノートを参考にできます：\n> \n> - [**[16.08] DenseNet: 全部繋げる**](/blog/papers/classic-cnns/densenet)\n\n\n## 問題の解決\n\n### モデルアーキテクチャ\n\n![CSPNet 論文 Figure 2：DenseNet の stage と dense block を迂回する CSPDenseNet の stage](/content/papers/assets/2602af8b5f92cba820e545c84abd94943cab1fe2631cf83834972b54b374ed20.jpg)\n\n*原論文 Figure 2：(a) は入力全体を dense block と transition に通します。(b) は入力チャネルを二つに分け、一方を dense block に通し、他方は迂回させ、stage の末尾で連結してもう一度 transition を適用します。検出器全体の図ではありません。*\n\n上半分は DenseNet の一つの stage です。矢印に沿って読むと、\n\n1. 最初の層が入力 $x_0$ から新しい特徴 $x_1$ を作ります。\n2. 次の層は $[x_0,x_1]$ を読んで $x_2$ を作り、その次は $[x_0,x_1,x_2]$ を読みます。\n3. 新たな特徴はそれまでの特徴と連結され、最後に transition layer に渡されます。\n\n著者は、この反復接続を逆伝播する勾配の組み合わせとして捉え、複数の層が似た情報を何度も受け取ると考えます。これが設計上の動機です。\n\n---\n\n著者は stage の入力チャネルを二つに分けます。一方は dense block に入り、もう一方は迂回します。stage の末尾で dense 側に transition を適用し、迂回側と連結してから、さらに transition を適用します。迂回した特徴は捨てず、逆伝播から切り離すこともありません。\n\n変更後の違いは以下の通りです：\n\n1. **勾配の組み合わせを変える：** 二つの経路を異なる位置で合流させます。\n2. **局所的な計算ピークを下げる：** たとえば基本チャネルの半分だけを dense block に通します。論文が報告する PeleeNet バックボーンの約半減と、特定の YOLOv3 検出ヘッド比較の約 80% 削減は、別の基準に対する結果です。\n3. **推定メモリ転送量を下げる：** 基本チャネル数が growth rate より十分大きい場合、partial dense block の CIO は元の約半分に近づきます。どの実装でも実測メモリが半減するという保証はありません。\n\ndense 側の特徴再利用を保ちながら、一部のチャネルを stage の末尾まで残す設計です。実際の機器で時間とメモリをどれだけ節約できるかは、後の実験で別々に確かめます。\n\n\n> [!TIP]\n> \n> 論文で「半分」という表現が繰り返し出てきますが、実際にはこの分割比率は設定可能です。\n> \n> 後のアブレーション実験で、著者は異なる分割比率を実験しましたが、ここでは説明を簡単にするため「半分」の比率を使って説明します。\n\n\n### トランジションレイヤー\n\n![CSPNet 論文 Figure 3：DenseNet、完全な CSPDenseNet、Fusion First／Last の融合順序](/content/papers/assets/872bd93b52b193ac2ecec4596766238bfa7a3f2e7c4e53ce04a3cf69e479ecb3.jpg)\n\n*原論文 Figure 3：(a) は DenseNet、(b) は transition → 連結 → transition の完全な CSPDenseNet、(c) は連結してから transition、(d) は transition の後に連結します。(c) と (d) は融合順序を調べるための消融モデルです。*\n\n特徴マップを分割するのは簡単ですが、それらをどのように統合するかが問題です。\n\nこの問題に対して、著者は 2 つの融合戦略を提案しました：\n\n1. **Fusion First**：図 (c) は二つの経路を先に連結し、transition を一回適用します。論文はこれでは似た勾配情報が繰り返し混ざると考えます。\n2. **Fusion Last**：図 (d) は dense 側に transition を適用してから迂回側と連結します。両方に逆伝播する。\n\n完全な CSPDenseNet は図 (b) で、連結した後にもう一度 transition を適用します。\n\n両者の実験結果は以下の通りです：\n\n![CSPNet 論文 Figure 4：PeleeNet と CSP 三変種の ImageNet top-1 精度と BFLOPs](/content/papers/assets/4cafa8f79274645c274dc7fc1e26142e284500ac6f0ea867b5861010365f0b5f.jpg)\n\n*原論文 Figure 4：横軸は十億回単位の FLOPs、縦軸は ILSVRC2012 top-1 精度。赤・緑・青の矢印は PeleeNet との差を示します。推論遅延のグラフではありません。*\n\nPeleeNet の **70.7%／1.017B FLOPs** を基準に、同じ $\\gamma=0.5$ で比べると：\n\n1. **Fusion First**：**69.2%／0.755B**。FLOPs は約 26% 少なく、top-1 は **1.5 ポイント**低い。\n2. **Fusion Last**：**70.6%／0.804B**。FLOPs は約 21% 少なく、top-1 は **0.1 ポイント**低い。\n3. **完全な CSPPeleeNet**：**70.9%／0.888B**。FLOPs は約 13% 少なく、top-1 は **0.2 ポイント**高い。\n\n最初の二列は融合順序の消融で、三列目が部分 transition を持つ完全なモデルです。図 (d) の Fusion Last と図 (b) の設計を同一視できません。\n\n### 正確な融合モデル\n\n![CSPNet 論文 Figure 6：YOLOv3 FPN、全尺度融合 GFM、anchor の尺度に合わせる EFM](/content/papers/assets/f21f723a636cfed86c2e537e8a86cd54585e20c69ddca6b08cc691c0d4d4f0ab.jpg)\n\n*原論文 Figure 6：(a) FPN は隣接尺度、(b) GFM は全尺度、(c) EFM は anchor の視野に応じた尺度を融合します。色付きの矢印は経路を示します。*\n\n上記で述べた CSP モジュールの構築方法が、実際この論文の主な内容です。\n\n最後に、この部分では著者が FPN 構造の最適化内容を述べています。\n\n---\n\n図 (c) の EFM は、anchor に割り当てられた尺度の前後を含む三尺度を融合し、適切な視野を与えます。YOLOv3 型検出器の特徴ピラミッドに対する改良で、CSP バックボーンの分流とは別の変更です。PANet と同じく多尺度を扱いますが、単に PANet に全体情報を加えた構造ではありません。関連するノート：\n\n- [**[18.03] PANet: 私に一つの近道をください**](/blog/papers/feature-fusion/panet)\n\nピラミッド特徴の連結後のチャネルを減らすため、著者は Maxout でチャネル方向に圧縮します。論文は転送量と計算量への効果を主張しますが、実際の節約量は検出器とハードウェアに依存します。\n\n\n> [!TIP]\n> \n> Maxout は複数の線形またはアフィン応答の最大値を取る、区分線形の非線形演算です。ここではチャネル間の最大値で連結後の特徴を圧縮します。\n> \n> 例えば、2 つの線形出力$z_1$と$z_2$がある場合、Maxout はより大きい方の値を出力として選択します：\n> \n> $$\n> \\text{Maxout}(z_1, z_2) = \\max(z_1, z_2)\n> $$\n> \n> ReLU と異なり、負の応答を一律にゼロへ切り詰めません。ただし、出力がゼロになることはあり、すべての分岐に勾配が流れる保証もありません。ここでの目的はチャネル圧縮です。\n\n\n## 討論\n\n### CSP 構造の有効性\n\n![CSPNet 論文 Table 1：PeleeNet 基準、融合順序の消融、CSPPeleeNet の top-1 と BFLOPs](/content/papers/assets/e97bd7026dac274ef0ebdf008c82aa0a055bf0f61b6450b6a91d748ae1877c24.jpg)\n\n*原論文 Table 1：$\\gamma$ はチャネルの分割比率です。top-1 は高いほど、BFLOPs は低いほど良い指標です。この表にパラメータ数や実測メモリ量はありません。*\n\nまず最初に確認すべきことは、CSP 構造が本当に有効かどうかです。\n\nこれを検証するために、著者は過去の文献で提供されたバックボーンアーキテクチャである PeleeNet を選択し、それを CSP アーキテクチャに改造して一連の実験を行いました。\n\n- [**[18.04] Pelee: A Real-Time Object Detection System on Mobile Devices**](https://arxiv.org/abs/1804.06882)\n\n表の $\\gamma$ はチャネルの分割比率で、$\\gamma=0.5$ なら二つの経路が半分ずつです。$0.25$、$0.5$、$0.75$ は同じ融合方式の行で比較します。異なる行の精度と FLOPs を組み合わせて一つのモデルとして読むことはできません。表はパラメータ数を報告していません。\n\n$\\gamma=0.5$ の Fusion First は **69.2%** で、SPeleeNet の **69.6%** より低く、PeleeNeXt の **68.9%** より高い値です。Fusion Last は PeleeNet の **70.7%／1.017B** に対して **70.6%／0.804B**、つまり FLOPs が約 **21%** 少なく、top-1 は **0.1 ポイント**低い結果です。これは図の緑の矢印であり、完全な CSPPeleeNet の値ではありません。\n\nFusion Last の $\\gamma=0.25$ は **70.8%／0.902B** で、PeleeNet より FLOPs が約 **11%** 少なく、top-1 が **0.1 ポイント**高い値です。同じ比率の完全な CSPPeleeNet は別の行で、**71.5%／0.986B** です。\n\n完全な CSPPeleeNet の $\\gamma=0.5$ は、PeleeNet より FLOPs が約 **13%** 少なく、top-1 が **0.2 ポイント**高くなります。$\\gamma=0.25$ なら約 **3%** 少ない FLOPs で **0.8 ポイント**高くなります。いずれもこの ImageNet 消融の値で、機器上の遅延は測っていません。\n\n### EFM 構造の有効性\n\n![CSPNet 論文 Table 2：同じ CSPPeleeNet を用いた GFM、EFM、SAM、SPP、GIoU の COCO 消融](/content/papers/assets/f4c1aea9868de13d82e746d876f322d9317e3fd613384b1c56b924357bf2df9b.jpg)\n\n*原論文 Table 2：GFM は 134 fps／24.3 AP／46.2 AP50、EFM は 132／26.4／48.6、EFM(SAM) は 129／26.8／49.0。FPS と AP は別の指標です。*\n\n著者は MS COCO データセットに基づいて EFM のアブレーション実験を行い、その結果を表に示しました。\n\n追加の注意機構を付けない EFM は GFM より **2 fps** 遅い一方、AP は **24.3→26.4**、$AP_{50}$ は **46.2→48.6** と **2.1／2.4 ポイント**高くなります。この消融では EFM(SAM) と EFM(SPP) が **129／128 fps**、**26.8／26.2 AP** なので、著者は EFM(SAM) を選びます。すべての検出器で SAM が SPP より優れるという主張ではありません。\n\n### ImageNet での性能\n\n![CSPNet 論文 Table 3：ImageNet の各バックボーンのパラメータ、BFLOPs、top-1／top-5](/content/papers/assets/1202396739d11ce285cfdced21bd77ec611b3ee671dcaf58b99aac4534a55d94.jpg)\n\n*原論文 Table 3：PeleeNet、ResNet-10、ResNeXt-50、DenseNet-201-Elastic はそれぞれ別の比較組です。最後の三行は十クロップ評価で、上の行と同じ評価条件として混ぜません。*\n\n表の四つの対応する組では、CSP を導入すると BFLOPs が約 **13～22%** 減り、top-1 は維持または小幅に上がります。\n\n軽量モデルでは、CSPNet の導入が特に効果的です。例えば：\n\n- **ResNet-10→CSPResNet-10**：top-1 は **63.5→65.3%**、FLOPs は **2.273→1.905B**。精度差は **1.8 ポイント**です。\n- **PeleeNet→CSPPeleeNet**：**70.7→70.9%**、**1.017→0.888B**。DenseNet-201-Elastic と CSP 版は **77.9→77.9%**、**8.77→7.13B** です。\n- **ResNeXt-50→CSPResNeXt-50**：**77.8→77.9%**、**10.11→7.93B**。ただし top-5 は元の **94.2%** に対し CSP 版 **94.0%**。\n\n### MS COCO での性能\n\n![CSPNet 論文 Table 4：入力解像度とバックボーン別の COCO AP および GTX 1080 Ti 上の FPS](/content/papers/assets/9e36024629dcdcd9b7bba5a77e4ce42b8d61ac8a4e7db4859a36e44ae045f87a.jpg)\n\n*原論文 Table 4：GTX 1080 Ti の FPS で行を分けています。同じモデルも入力サイズによって FPS と AP が変わります。ほとんどは COCO test-dev で、TTFNet の二行だけ minval5k です。CPU や Jetson TX2 の速度表ではありません。*\n\n**30～100 fps** の行では、608×608 の CSPResNeXt50 + PANet(SPP) が **35 fps／38.4 AP／60.6 $AP_{50}$／41.6 $AP_{75}$** です。ただし YOLOv3(SPP) も **60.6 $AP_{50}$** です。COCO AP を画像ごとの「検出率」とも言い換えられません。\n\n**100～200 fps** の行では、Pelee の 304×304 が **106 fps／38.3 $AP_{50}$**、CSPPeleeNet + EFM(SAM) の 512×512 が **109 fps／50.4 $AP_{50}$** です。差の **12.1 ポイント**にはバックボーン、head、入力サイズの変更も含まれ、CSP だけの効果ではありません。**129 fps** の EFM(SAM) 416×416 と CenterNet 512×512 は $AP_{50}$ が **49.0／44.9**、差が **4.1 ポイント**です。\n\n**300 fps 超**の行で該当する正確なモデル名は **CSPDenseNetb Reference + PRN** です。320×320 で **400 fps／34.2 $AP_{50}$**、SNet49-ThunderNet は **267 fps／33.7** なので、**133 fps** 速く、**0.5 ポイント**高い値です。これは GTX 1080 Ti 上の測定で、モバイル GPU の速度ではありません。\n\n### 推論速度\n\n![CSPNet 論文 Table 5：GTX 1080 Ti、Core i9-9900K、Jetson TX2 の FPS と COCO AP50](/content/papers/assets/7eac464851cac2e0e91777918013d3867f5dfbb6645b7441bd4f04a9bf9b00da.jpg)\n\n*原論文 Table 5：GPU／CPU／mGPU は異なる機器の列で、ダッシュは未測定です。最右列は COCO $AP_{50}$ であり速度ではありません。比較するモデルの入力サイズには 320 と 416 が混在します。*\n\n著者はデスクトップ GTX 1080 Ti、Intel Core i9-9900K の CPU、Jetson TX2 のモバイル GPU を別の列で報告します。CPU 推論には OpenCV DNN を使っています。圧縮や量子化は用いていませんが、モデル構造と入力サイズは行ごとに異なります。\n\nTable 5 の **CPU** 列では **CSPDenseNetb Ref.-PRN** が **102 fps／34.2 $AP_{50}$**、SNet49-ThunderNet は **47／33.7**、YOLOv3-tiny は **54／33.1**、YOLOv3-tiny-PRN は **71／33.1** です。CPU の速度差は **55／48／31 fps**。これを GPU や TX2 の差として読んではいけません。\n\nモバイル GPU 列では **CSPPeleeNet Ref.-EFM(SAM)** が **41 fps／44.6 $AP_{50}$**、YOLOv3-tiny が **37 fps／33.1** です。ただし入力はそれぞれ **320×320／416×416**。論文は EFM が PeleeNet 系の特徴ピラミッド生成時のメモリを減らすとも述べますが、Table 5 にメモリ量の列はないため、この表から削減率を検証できません。\n\n## 結論\n\nCSP は stage をまたぐ特徴の分割と再結合、EFM は anchor の尺度に応じたピラミッド特徴の選択です。ImageNet の分類と COCO の検出結果は、それぞれ論文で試した設定における効果を支持します。\n\n論文の条件では計算資源と転送量を抑えつつ、精度を保つ例を示しました。\n\n実装時は FLOPs、CIO、最大メモリ使用量、対象機器の FPS を別々に確認します。バックボーン、入力解像度、head が異なる行の差をすべて CSP の効果にはできません。自分のモデルではほかの条件を固定した消融が必要です。\n\nバックボーンというよりも、むしろプラグインとして利用できるため、次回モデルを構築する際に CSP 構造を挿入してみるのも良いかもしれません。予想外の驚きが得られるかもしれません。\n","imageSizes":{"/content/papers/assets/2602af8b5f92cba820e545c84abd94943cab1fe2631cf83834972b54b374ed20.jpg":{"width":2809,"height":1911},"/content/papers/assets/872bd93b52b193ac2ecec4596766238bfa7a3f2e7c4e53ce04a3cf69e479ecb3.jpg":{"width":768,"height":900},"/content/papers/assets/4cafa8f79274645c274dc7fc1e26142e284500ac6f0ea867b5861010365f0b5f.jpg":{"width":1052,"height":776},"/content/papers/assets/f21f723a636cfed86c2e537e8a86cd54585e20c69ddca6b08cc691c0d4d4f0ab.jpg":{"width":1600,"height":396},"/content/papers/assets/e97bd7026dac274ef0ebdf008c82aa0a055bf0f61b6450b6a91d748ae1877c24.jpg":{"width":1036,"height":634},"/content/papers/assets/f4c1aea9868de13d82e746d876f322d9317e3fd613384b1c56b924357bf2df9b.jpg":{"width":1030,"height":548},"/content/papers/assets/1202396739d11ce285cfdced21bd77ec611b3ee671dcaf58b99aac4534a55d94.jpg":{"width":892,"height":1148},"/content/papers/assets/9e36024629dcdcd9b7bba5a77e4ce42b8d61ac8a4e7db4859a36e44ae045f87a.jpg":{"width":1286,"height":1268},"/content/papers/assets/7eac464851cac2e0e91777918013d3867f5dfbb6645b7441bd4f04a9bf9b00da.jpg":{"width":944,"height":528}}}
