最近的一篇基于Transformer的工作，由南京大學(xué)的研究者提出一種高效的視覺(jué)Transformer結(jié)構(gòu)，設(shè)計(jì)思想類似ResNet，稱為ResT，這是我個(gè)人覺(jué)得值得關(guān)注的一篇工作。

簡(jiǎn)介

ResT是一個(gè)高效的多尺度視覺(jué)Transformer結(jié)構(gòu)，可以作為圖像識(shí)別的通用骨干網(wǎng)絡(luò)，它采用類似ResNet的設(shè)計(jì)思想，分階段捕獲不同尺度的信息。不同于現(xiàn)有的Transformer方法只使用標(biāo)準(zhǔn)的Transformer block來(lái)處理具有固定分辨率的原始圖像，ResT有著幾個(gè)優(yōu)勢(shì)：提出一種內(nèi)存高效的多頭自注意力，使用深度卷積進(jìn)行內(nèi)存壓縮，并且跨注意力頭的維度投影交互同時(shí)保持多頭的多樣性能力；將位置編碼構(gòu)建為空間注意力，它可以以更加靈活的方式處理任意尺寸的輸入而無(wú)需插值或者微調(diào)；不同于直接在每個(gè)階段開(kāi)始進(jìn)行序列化，而是將patch embedding設(shè)計(jì)為一系列重疊的有stride的卷積操作。作者在圖像分類以及下游任務(wù)中驗(yàn)證了ResT的性能，結(jié)果表明，ResT大幅度優(yōu)于當(dāng)前SOTA骨干網(wǎng)絡(luò)，在ImageNet數(shù)據(jù)集上，同等計(jì)算量前提下，所提方法取得了優(yōu)于PVT、Swin。

• 論文標(biāo)題

  ResT: An Efficient Transformer for Visual Recognition

• 論文地址

  https://arxiv.org/abs/2105.13677

• 論文源碼

  https://github.com/wofmanaf/ResT

介紹

用于提取圖像特征的骨干網(wǎng)絡(luò)（backbone）在計(jì)算機(jī)視覺(jué)任務(wù)中至關(guān)重要，好的特征有利于下游任務(wù)的展開(kāi)，如圖像分類、目標(biāo)檢測(cè)、實(shí)例分割等。如今，計(jì)算機(jī)視覺(jué)中主要有兩種骨干網(wǎng)絡(luò)結(jié)構(gòu)，一種是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一種是Transformer結(jié)構(gòu)，它們都是堆疊多個(gè)塊（block）來(lái)捕獲特征信息的。

CNN block通常是一個(gè)bottleneck結(jié)構(gòu)，可以定義為堆疊的1x1卷積、3x3卷積和1x1卷積配合一個(gè)殘差連接，如下圖的(a)所示。兩個(gè)1x1卷積分別用于通道降維和通道升維，保證3x3卷積處理的特征圖通道數(shù)不會(huì)太高。CNN骨干網(wǎng)絡(luò)通常更快一些，這主要得益于參數(shù)共享、局部信息聚合以及維度縮減，然而，受限于有限且固定的感受野，卷積網(wǎng)絡(luò)在那些需要長(zhǎng)程依賴的場(chǎng)景中效果并不好，比如實(shí)例分割中，從一個(gè)更大的鄰域中收集并關(guān)聯(lián)目標(biāo)間的關(guān)系是很重要的。

為了克服這些限制，能夠捕獲長(zhǎng)程信息的Transformer結(jié)構(gòu)最近被探索用于設(shè)計(jì)骨干網(wǎng)絡(luò)。不同于CNN網(wǎng)絡(luò)，Transformer網(wǎng)絡(luò)首先是將圖片切分為一系列塊（patch，也叫token），然后將這些token和位置編碼相加來(lái)表示粗糙的空間信息，最終采用堆疊的Transformer block來(lái)捕獲特征信息。一個(gè)標(biāo)準(zhǔn)的Transformer block由一個(gè)多頭自注意力（multi-head self-attention，MSA）和一個(gè)前饋神經(jīng)網(wǎng)絡(luò)（feed-forward network，FFN）構(gòu)成，其中MSA通過(guò)query-key-value分解來(lái)建模token之間的全局依賴，FFN則用來(lái)學(xué)習(xí)更寬泛的表示。Transformer block的結(jié)構(gòu)如上圖的(b)所示，它能夠根據(jù)圖像內(nèi)容自適應(yīng)調(diào)整感受野。

雖然相比于CNN backbone。Transformer backbone潛力巨大，但它依然有四個(gè)主要的缺點(diǎn)如下。

由于現(xiàn)有的Transformer backbone直接對(duì)原始輸入圖像中的塊進(jìn)行序列化，因此很難提取形成圖像中一些基本結(jié)構(gòu)（例如，角和邊緣）的低級(jí)特征。

Transformer block中MSA的內(nèi)存和計(jì)算與空間或通道維度成二次方擴(kuò)展，導(dǎo)致大量的訓(xùn)練和推理開(kāi)銷。

MSA 中的每個(gè)head只負(fù)責(zé)輸入token的一個(gè)子集，這可能會(huì)損害網(wǎng)絡(luò)的性能，特別是當(dāng)每個(gè)子集中的通道維度太低時(shí)，使得query和key的點(diǎn)積無(wú)法構(gòu)成信息函數(shù)。

現(xiàn)有 Transformer backbone中的輸入token和位置編碼都是固定規(guī)模的，不適合需要密集預(yù)測(cè)的視覺(jué)任務(wù)。

在這篇論文中，作者提出一種高效的通用backbone ResT（以ResNet命名），該結(jié)構(gòu)可以解決上述的問(wèn)題，這個(gè)結(jié)構(gòu)會(huì)在下一節(jié)具體說(shuō)明。

ResT

上圖所示的即為ResT的結(jié)構(gòu)圖，可以看到，它和ResNet有著非常類似的pipeline，即采用一個(gè)stem模塊來(lái)提取底層特征，然后跟著四個(gè)stage捕獲多尺度特征。每個(gè)stage由三個(gè)組件構(gòu)成，一個(gè)patch embedding模塊，一個(gè)position encoding模塊以及L個(gè)efficient Transformer block。具體而言，在每個(gè)stage的開(kāi)始，patch embedding模塊用來(lái)減少輸入token的分辨率并且拓展通道數(shù)。位置編碼模塊則被融合進(jìn)來(lái)用于抑制位置信息并且加強(qiáng)patch embedding的特征提取能力。這兩個(gè)階段完成之后，輸入token被送入efficient Transformer block。

Rethinking of Transformer Block

標(biāo)準(zhǔn)的Transformer block包含兩個(gè)子層，分別是MSA和FFN，每個(gè)子層包圍著一個(gè)殘差連接。在MSA和FFN前，先經(jīng)過(guò)了一個(gè)layer normalization（下面簡(jiǎn)稱LN）。假定輸入token為$\mathrm{x}\in {\mathbb{R}}^{n\times d_m}$，這里的$n$和$d_m$分別表示空間維度和通道維度，每個(gè)Transformer block的輸出表示如下。

$$\mathrm{y}={\mathrm{x}}^{\prime }+\mathrm{F}\mathrm{F}\mathrm{N}\left(\mathrm{L}\mathrm{N}\left({\mathrm{x}}^{\prime }\right)\right),\text{?and?}{\mathrm{x}}^{\prime }=\mathrm{x}+\mathrm{M}\mathrm{S}\mathrm{A}(\mathrm{L}\mathrm{N}(\mathrm{x}))$$

對(duì)上面的式子，我們先來(lái)看MSA，它首先通過(guò)三組線性投影獲取query $\mathbf{Q}$、key $\mathbf{K}$和value $\mathbf{V}$，每組投影有$k$個(gè)線性層（即heads）將$d_m$映射到$d_k$的空間中，這里$d_k=d_m/k$。為了描述方便，后續(xù)所有的說(shuō)明都是基于$k=1$，因此MSA可以簡(jiǎn)化為單頭注意力（SA），token序列之間的全局關(guān)系可以定義為下式，每個(gè)head的輸出concatenate到一起之后經(jīng)過(guò)線性投影得到最終輸出。可以得知，MSA的計(jì)算復(fù)雜度為$\mathcal{O}\left(2d_m{n}^2+4d_m^{2}n\right)$，它根據(jù)輸入token的空間維度或者通道維度次方級(jí)變化。

$$\mathrm{S}\mathrm{A}(\mathbf{Q},\mathbf{K},\mathbf{V})=\mathrm{Softmax}\left(\frac{{\mathbf{Q}\mathbf{K}}^{\mathrm{T}}}{\sqrt{d_k}}\right)\mathbf{V}$$

接著，來(lái)看FFN，它主要用于特征轉(zhuǎn)換和非線性，通常由兩個(gè)線性層和一個(gè)非線性激活函數(shù)構(gòu)成，第一層將輸入的通道數(shù)從$d_m$拓展到$d_f$，第二層則從$d_f$降到$d_m$。數(shù)學(xué)上表示如下式，其中${\mathbf{W}}_1\in {\mathbb{R}}^{d_m\times d_f}$且${\mathbf{W}}_2\in {\mathbb{R}}^{d_f\times d_m}$為兩個(gè)線性層的權(quán)重，${\mathbf{b}}_1\in {\mathbb{R}}^{d_f}$和${\mathbf{b}}_2\in {\mathbb{R}}^{d_m}$則是相應(yīng)的偏置項(xiàng)，$\sigma (?)$表示GELU激活函數(shù)。標(biāo)準(zhǔn)的Transformer block中，通道數(shù)通常4倍擴(kuò)大，即$d_f=4d_m$。FFN的計(jì)算代價(jià)為$8n{d}_m^2$。

$$\mathrm{F}\mathrm{F}\mathrm{N}(\mathrm{x})=\sigma \left(\mathrm{x}{\mathbf{W}}_1+{\mathbf{b}}_1\right){\mathbf{W}}_2+{\mathbf{b}}_2$$

Efficient Transformer Block

如上面所述，MSA有兩個(gè)缺點(diǎn)，第一是其計(jì)算量是二次方倍的，這給訓(xùn)練和推理都帶來(lái)了不小的負(fù)擔(dān)；第二，MSA中的每個(gè)head只負(fù)責(zé)輸入token序列的一個(gè)子集，當(dāng)通道數(shù)比較少的時(shí)候這個(gè)會(huì)損害模型的表現(xiàn)。

為了解決這些問(wèn)題，作者提出了一種高效的多頭自注意力模塊，如上圖所示。和MSA類似，EMSA首先采用一組投影獲取query $\mathbf{Q}$。為了壓縮內(nèi)存，2D輸入的token $\mathrm{x}\in {\mathbb{R}}^{n\times d_m}$會(huì)被沿著空間維度reshape為3D形式（$\hat{\mathrm{x}}\in {\mathbb{R}}^{d_m\times h\times w}$）然后送入深度可分離卷積中按照因子$s$降低寬高，為了簡(jiǎn)單，$s$根據(jù)$k$自適應(yīng)為$s=8/k$，卷積核尺寸、stride和padding分別是$s+1$、$s$和$s/2$。然后，下采樣后的token map為$\hat{\mathrm{x}}\in {\mathbb{R}}^{d_m\times h/s\times w/s}$，它被reshape為2D的形式，也就是$\hat{\mathbf{x}}\in {\mathbb{R}}^{n^{\prime }\times d_m},n^{\prime }=h/s\times w/s$，然后$\hat{x}$送入兩組投影層獲得key $\mathbf{K}$和value $\mathbf{V}$。再然后，采用下面的式子計(jì)算qkv之間的注意力函數(shù)，式子中的Conv表示標(biāo)準(zhǔn)的1x1卷積，它用于建模不同head之間的交互，通過(guò)這個(gè)方法attention的結(jié)果依賴于所有的key和query，然而，這將削弱 MSA 聯(lián)合處理來(lái)自不同位置的不同表示子集的信息的能力。為了重建這種多樣性能力，在點(diǎn)擊矩陣后添加了一個(gè)LN，也就是Softmax之后。

$$\mathrm{EMSA}(\mathbf{Q},\mathbf{K},\mathbf{V})=\mathrm{IN}\left(\mathrm{Softmax}\left(\mathrm{Conv}\left(\frac{\mathbf{Q}{\mathbf{K}}^{\mathrm{T}}}{\sqrt{d_k}}\right)\right)\right)\mathbf{V}$$

最后，所有head的輸出concatenate到一起經(jīng)過(guò)投影得到最終輸出。這就是整個(gè)EMSA塊的計(jì)算過(guò)程，其實(shí)對(duì)照上圖就能理解得很明白了，EMSA的計(jì)算代價(jià)為$\mathcal{O}\left(\frac{2d_m{n}^2}{s^2}+2d_m^{2}n\left(1+\frac{1}{s^2}\right)+d_{m}n\frac{(s+1{)}^2}{s^2}+\frac{k^2{n}^2}{s^2}\right)$，假定$s=1$的話這個(gè)復(fù)雜度是遠(yuǎn)遠(yuǎn)低于原始的MSA的，特別是較淺的stage時(shí)，$n$相對(duì)高一些。

當(dāng)然，EMSA之后也添加了FFN以進(jìn)行特征變換和非線性，因此最終effcient Transformer block的輸出如下。

$$\mathrm{y}={\mathrm{x}}^{\prime }+\mathrm{F}\mathrm{F}\mathrm{N}\left(\mathrm{L}\mathrm{N}\left({\mathrm{x}}^{\prime }\right)\right),\text{?and?}{\mathrm{x}}^{\prime }=\mathrm{x}+\mathrm{EMSA}(\mathrm{L}\mathrm{N}(\mathrm{x}))$$

Patch Embedding

知道了最核心的EMSA，接下來(lái)是關(guān)于Patch Embedding的內(nèi)容。在標(biāo)準(zhǔn)的Transformer中，一個(gè)token序列的embedding作為輸入，以ViT為例，3D圖像$\mathrm{x}\in {\mathbb{R}}^{3\times h\times w}$為輸入，它被按照patch size為$p\times p$進(jìn)行切分。這些patch被展平為2D然后被映射為隱嵌入$\mathrm{x}\in {\mathbb{R}}^{n\times c}$（其中$n=hw/p^2$）。然而，這種直接的標(biāo)記化難以捕獲底層特征信息(比如邊緣、角點(diǎn))。此外，ViT中的token序列長(zhǎng)度是固定的，這使其難以進(jìn)行下游任務(wù)(比如目標(biāo)檢測(cè)、實(shí)例分割)適配，因?yàn)檫@些任務(wù)往往需要多尺度特征圖。

為了解決上述問(wèn)題，作者構(gòu)建了一種高效的多尺度backbone，名為ResT以進(jìn)行密集預(yù)測(cè)任務(wù)。如上文所述，每個(gè)階段的efficient Transformer block在一個(gè)確定的尺度和分辨率上跨空間和通道進(jìn)行操作，因此，patch embedding模塊需要減少空間分辨率的同時(shí)拓展通道維度。

和ResNet類似，stem模塊（也就是第一個(gè)patch embedding模塊）以4的縮減因子縮小高度和寬度。為了是圓通很少的參數(shù)高效捕獲底層特征，作者引入了一個(gè)簡(jiǎn)單但有效的方式，即堆疊3個(gè)3x3卷積層（padding為1），stride分別為2、1、2，前兩層緊跟一個(gè)BN和ReLU層。在stage2、stage3和stage4，patch embedding模塊被用來(lái)4倍下采樣空間維度并且2倍通道維度。這可以通過(guò)標(biāo)準(zhǔn)的3x3卷積以stride2和padding1實(shí)現(xiàn)。在stage2中，patch embedding模塊將輸入分辨率從$h/4\times w/4\times c$調(diào)整到$h/8\times w/8\times 2c$。

Position Encoding

位置編碼對(duì)于序列順序非常關(guān)鍵，在ViT中，一系列可學(xué)習(xí)參數(shù)被加（加法）到輸入token上編碼位置信息，假定$\mathrm{x}\in {\mathbb{R}}^{n\times c}$為輸入，$\theta \in {\mathbb{R}}^{n\times c}$為位置參數(shù)，編碼后的輸入可以表示如下。

$$\hat{\mathrm{x}}=\mathrm{x}+\theta$$

但是，位置的長(zhǎng)度需要和輸入token的長(zhǎng)度一致，這就限制了很多應(yīng)用的場(chǎng)景，因此需要一種可以根據(jù)輸入改變長(zhǎng)度的位置編碼。回顧上面的式子，其實(shí)相加操作非常類似逐像素對(duì)輸入加權(quán)。假定$\theta$和$x$相關(guān)，即$\theta =\mathrm{G}\mathrm{L}(\mathrm{x})$，這里的$\mathrm{G}\mathrm{L}(?)$表示組線性操作且組數(shù)為$c$，上式就被修改為下面的式子，$\theta$可以通過(guò)更靈活的注意力機(jī)制獲得。

$$\hat{\mathrm{x}}=\mathrm{x}+\mathrm{G}\mathrm{L}(\mathrm{x})$$

因此，作者這里提出了一種簡(jiǎn)單高效的像素級(jí)注意力（pixel-wise attention，PA）來(lái)編碼位置。具體而言，PA采用3x3深度卷積操作來(lái)獲得像素級(jí)權(quán)重，然后使用sigmoid激活，最終使用PA獲得的位置編碼如下式。

$$\hat{\mathrm{x}}=\mathrm{P}\mathrm{A}(\mathrm{x})=\mathrm{x}?\sigma (\mathrm{DWConv}(\mathrm{x}))$$

由于每個(gè)stage的輸入token通過(guò)卷積得到，可以將位置編碼嵌入到patch embedding模塊中，整體結(jié)果見(jiàn)下圖。注：這里的PA可以采用任意空間注意力替換，這使得ResT中的PE極為靈活。

Classification Head

分類head的設(shè)計(jì)非常簡(jiǎn)單，一個(gè)池化接線性層即可，在圖像分類任務(wù)上的模型結(jié)構(gòu)如下圖所示。

實(shí)驗(yàn)

圖像分類、目標(biāo)檢測(cè)、實(shí)例分割的結(jié)果如下，超越了PVT、Swin等。

此外作者還對(duì)各個(gè)模塊進(jìn)行了消融實(shí)驗(yàn)，具體可以查看論文。

總結(jié)

這篇文章作者提出了一種新的Transformer架構(gòu)的視覺(jué)backbone，它可以捕獲多尺度特征因而非常適用于密集預(yù)測(cè)任務(wù)。作者壓縮了標(biāo)準(zhǔn) MSA 的內(nèi)存，并在保持多樣性能力的同時(shí)對(duì)多頭之間的交互進(jìn)行建模。 為了處理任意輸入圖像，作者進(jìn)一步將位置編碼重新設(shè)計(jì)為空間注意力。本文也只是我本人從自身出發(fā)對(duì)這篇文章進(jìn)行的解讀，想要更詳細(xì)理解的強(qiáng)烈推薦閱讀原論文。最后，如果我的文章對(duì)你有所幫助，歡迎一鍵三連，你的支持是我不懈創(chuàng)作的動(dòng)力。

總結(jié)

以上是生活随笔為你收集整理的ResT解读的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。