CSPNet：不牺牲精度的轻量化CNN

轻量化的老问题：要快还是要准？

想让CNN模型变轻，通常的做法是选一个更小的版本。ResNet-152太重了，换ResNet-101；DenseNet-169太慢，换DenseNet-121。道理没错，但代价是精度下滑。

换句话说，轻量和精度之间似乎永远要做交换。

但CSPNet说：不用。

2019年，Wang等人发表了论文《CSPNet: A New Backbone That Can Enhance Learning Capability of CNN》，提出了一种全新的主干网络——Cross Stage Partial Network（跨阶段部分网络）。它能有效降低计算复杂度，同时维持高精度，几乎实现“无 tradeoff”。

CSPNet 的核心思路

CSPNet最初是为了解决DenseNet的瓶颈而提出的。DenseNet通过密集连接实现了强大的特征复用，但也带来了巨量计算和内存消耗。

CSPNet的关键改动是将特征图沿通道维度分成两部分：

• 一部分进入密集块（Dense Block）进行密集连接计算；
• 另一部分跳过密集块，直接与密集块的输出进行拼接。

这样一来，梯度流被分割后只在部分路径中回传，避免了冗余的梯度重复计算。同时，特征复用效率更高，因为只有一半的特征参与了密集连接，另一半直接保留。

实现细节（PyTorch 视角）

从零实现一个CSPNet模块并不复杂。核心是 CSPLayer：

class CSPLayer(nn.Module):
    def __init__(self, in_channels, out_channels, num_blocks):
        super().__init__()
        # 分割通道
        self.partial_ratio = 0.5
        hidden_channels = int(out_channels * self.partial_ratio)
        self.conv1 = Conv(in_channels, hidden_channels, 1)
        self.conv2 = Conv(in_channels, hidden_channels, 1)
        self.blocks = nn.Sequential(*[Bottleneck(hidden_channels, hidden_channels) for _ in range(num_blocks)])
        self.conv3 = Conv(hidden_channels * 2, out_channels, 1)

    def forward(self, x):
        x1 = self.conv1(x)
        x2 = self.conv2(x)
        x2 = self.blocks(x2)
        x = torch.cat([x1, x2], dim=1)
        return self.conv3(x)

这种设计让计算量下降约50%，但精度不仅没降，在某些任务上反而有所提升。

应用与价值

CSPNet被广泛应用于目标检测和分割任务中，比如YOLOv4就吸收了CSPNet的思想。对国内开发者而言，在移动端安防、自动驾驶等需要实时推理的场景下，CSPNet尤其有价值——它无需牺牲准确率就能跑在部署硬件上。

总结

CSPNet提供了一条新思路：轻量化不一定要做减法，通过更聪明的梯度流重组，可以做到又快又准。2019年的这篇论文至今仍是许多现代轻量模型的基石。

参考：Wang et al., "CSPNet: A New Backbone That Can Enhance Learning Capability of CNN", 2019.