Xception NetのBlockを使ったStacked Hourgrass Netを公開しています。

https://github.com/tanreinama/XceptionHourgrass---PyTorch

Stacked Hourgrass Networkとは

Hourgrass＝砂時計。
Hourgrass Networkとは、砂時計の形に似て、中間の層での解像度を絞って結合した畳み込みニューラルネットワークのことを言います。
日本語の解説だと、こちらの方のブログが詳しいかな。
要するに、画像の局所的な情報だけで無く、全体として何が写っているのかという情報を使うために、一度畳み込み層のサイズを小さくして、その後元に戻した結果を使おう、というアイデアです。

そして、二つ以上のHourgrass Networkを積み重ねて、それぞれの出力を使って最終的な結果とするのが、Stacked Hourgrass Networkです。

(図は論文からの引用)

論文によると、Stackedにすることで、最終的な性能と学習の収束が良くなっているようです。
人体のポーズを推定するOpenPoseや、CenterNet等で使われているようですね。
CenterNetの論文では、Object Detectionタスクにおいて、DLAやResNetよりも優れた結果を出しています。

(表は論文からの引用)

Xception Networkとは

Xception Networkは、画像認識用のニューラルネットワークのモデルで、日本語の解説だと、こちらの方のブログが詳しいかな。
畳み込みニューラルネットワークにおいて、チャンネル間のマスクを分離することで、パラメーター数を減らしてやる（その分層の数だとかを増やせる）。そうすることで、同じ程度のパラメーター数で作ったその他のネットワークよりも性能がよい、というものになります。

(図は論文からの引用)

XceptionHourgrassNetとは

そして、私が作ったこちらのニューラルネットワークは、Stacked Hourgrass Networkを、Xceptionで使っているBlockを使って組み立てたものになります。
用途としては、画像からマスク画像やヒートマップ画像を作るためのニューラルネットワークになります。
こういった用途では、入力と出力の両方が画像データとなるため、ニューラルネットワークの中を流れるデータが大きくなってしまい、あまり凝ったネットワークを作ると、学習時にモデルがGPUメモリに乗り切らなくなってしまいます。
そこで、Xceptionで使っているBlockを使うことで、ネットワークのパラメーター数を削減してやろう、と言うのが主眼になります。
個人的に使おうと想定している、特定の用途が念頭にあり、それに対して最適化されています。
具体的には、層の数が深い割に、各層でのチャンネル数がそれほどでも無い（96チャンネル）ため、割とシーンが限定される画像データ向けです。
出力チャンネル数は幾つでも可ですが、中間のチャンネルが少ないので、あまり多いチャンネルは出力出来ません（なので、Image Segmentationみたいな多クラスの出力は苦手）。

なぜこれを作ったか

なぜこのニューラルネットワークを作ったかというと、元はXceptionをBackboneにしたU-Netとかを作るつもりだったんですね。
ところが、オリジナルのXception Networkでは、比較的早い段階で解像度を低下させて（19×19ピクセル）、その後で大量の畳み込み処理を行うように設計されています。
これは、クラス分類タスクにおいては良い結果をもたらしますが、画像のディテールが早期に失われると言うことを意味してもおり、今回のようなタスクには向いていないと思われます。
そこでいろいろ試してみた結果、Hourgrass Networkの構造を取り入れた形になった、と言う訳です。（一応、同じ程度のパラメーター数で作った、XceptionNetのBlockを直線的に繋げたネットワークよりも性能が良いことは確認しています）

テスト学習

GitHubのページはこちら。
テストとしてMS-COCOデータセットから猫の画像を集めて学習させるコードも付いています。
学習手順については次回に書こうと思います。

Reference

XceptionHourgrass - PyTorch https://github.com/tanreinama/XceptionHourgrass---PyTorch
Alejandro Newell, Kaiyu Yang, and Jia Deng "Stacked Hourglass Networks for Human Pose Estimation" https://arxiv.org/pdf/1603.06937.pdf
Franc ̧ois Chollet "Xception: Deep Learning with Depthwise Separable Convolutions" https://arxiv.org/pdf/1610.02357.pdf
Xingyi ZhouUT, WangUC, Kr ̈ahenb ̈uhlUT Austin "Objects as Points" https://arxiv.org/pdf/1904.07850.pdf