ConvNeXt 系列改进：引入 InceptionNeXt 的大核分解思想，将 7×7 卷积拆解为多分支条带卷积

导语：当“大核”成为甜蜜的负担

ConvNeXt 自 2022 年由 Meta AI（FAIR）团队在 CVPR 上发表以来，以纯卷积架构在 ImageNet 上达到 87.8% 的 Top-1 准确率，在 COCO 检测和 ADE20K 分割任务上全面超越 Swin Transformer，成为计算机视觉领域最炙手可热的 Backbone 之一。其标志性设计——7×7 大核深度卷积——在扩大感受野、增强空间建模能力方面功不可没。

然而，当模型从实验室走向生产线时，这个设计却成了一个“甜蜜的负担”。根据 InceptionNeXt 论文团队的测试数据，一个令人惊讶的事实摆在眼前：ConvNeXt-T 与古老的 ResNet-50 拥有相近的 FLOPs，但在 A100 GPU 上的实际训练吞吐量仅为后者的 60%。明明计算量差不多，为什么跑得这么慢？

根本原因在于“内存墙”——大核卷积虽然 FLOPs 不高，但内存访问成本（Memory Access Cost，MAC）却高得离谱。计算受限于内存带宽（Memory-bound），而非 GPU 的计算能力。这就像你拥有一台顶级发动机（GPU 计算单元），却被一条狭窄的道路（内存带宽）卡住了脖子。

好消息是，InceptionNeXt 论文提出了一个优雅的解决方案。2023 年 3 月，来自新加坡国立大学等机构的研究团队提出了 InceptionNeXt 架构，其核心思想是从经典 Inception 网络汲取灵感，将大核深度卷积沿通道维度分解为四个并行分支——小方形卷积核、水平条带卷积、垂直条带卷积和恒等