论文下载：
https://arxiv.org/pdf/2004.08955.pdf
论文源码：
https://github.com/zhanghang1989/ResNeSt
论文摘要：
一些目标检测和语义分割算法已让使用ResNet(残差网络)的改进架构作为骨干网络(backbone)，因为它们的简单和模块化结构。作者展示了一个模块化的分散注意力模块(Split-Attention block)，通过堆叠这些模块，构建了新的ResNet改进架构–ResNeSt。作者保留了整个ResNet结构，以便直接用于下游任务，而不引入额外的计算成本。ResNeSt模型优于其他具有类似模型复杂性的网络。比以往最好的ResNet变体高出1%以上的精度。通过把ResNet-50主干网络替换成ResNeSt-50网络，RCNN在COCO 数据集和DeeplabV3的mIOU都有相应的提升。
模块精度的比较：
(左)使用官方代码实现的GPU精度和延迟的权衡。(右上)使用ResNeSt在ImageNet上的最高精度。(右下)迁移学习结果，MS-COCO上的目标检测映射和ADE20K上的语义分割mloU：
论文贡献：
第一个：构建基于ResNet的简单架构，将合并特征图(incorporating feature-map)分散在个人网络块(individual network blocks)，更具体地说，每个块将特征图划分为几个组(沿着通道维度)和更细粒度的子组或分割，其中每个组的特征表示是通过其分割表示的加权组合来确定的(权重为基于全球上下文信息的选择)。产生的单元称为分散注意力块(Spilt-Attention blocks)。通过叠加几个该分散注意力块，构建一个类似ResNet的网络，称为ResNeSt(S代表“分散”)。
第二个：进行大规模的图像分类和迁移学习应用的基准测试。作者发现使用一个ResNeSt主干模型能够在几个任务上达到最先进的性能。性能优于所有现有的ResNet变体(variant)。
模块结构的比较：
ResNeSt模块与SE-Net和SK-Net的比较，ResNest应用了SK-Net中，使用1x1卷积分离channel，以及ResNext中Cardinal思想。Input输入分成k个Cardinal，每个Cardinal又分成r个Split。将得到的特征图组称为基数组。引入了一个新的超参数R，它表示基数群内的分裂数，因此特征群的总数为G=KR：
分散注意单元(Spilt-Attention)的详细插图,c=C/K:
网络调整方案：
使用核大小为3×3的平均池化来减少空间维度
还采用了前人提出的两个简单而有效的ResNet修改，即将7 x 7卷积层替换为三个连续的3x 3卷积层，将跳跃连接中的步长为2的1×1卷积用2×2的平均池化代替
实验结果：
ImageNet图像分类的消融研究：
ImageNet上的图像分类结果，将作者提出的ResNeSt与50层和101层配置与其他类似复杂度的ResNet变体进行比较。使用图像尺寸为224和320，得出最高精确度：
在ImageNet上的SoTA CNN模型在大尺寸下的准确性与延迟：
MS-COCO验证集上的对象检测结果，通过ResNeSt骨干架构，FasterRCNN和Cascade-RCNN都得到了显著的改进：
MS-COCO验证集上的实例分割结果：
ADE20K验证集的语义分割结果(左)。Citscapes(右)，模型的训练没有粗糙的标签或额外的数据：
