二十六章：Pyramid Vision Transformer ——金字塔视觉Transformer:一种无卷积的用于密集预测的多功能主干网络

&原文信息

原文题目：《Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions 》

引用：Wang W, Xie E, Li X, et al. Pyramid vision transformer: A versatile backbone for dense prediction without convolutions[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 568-578.

原文链接：https://openaccess.thecvf.com/content/ICCV2021/papers/Wang_Pyramid_Vision_Transformer_A_Versatile_Backbone_for_Dense_Prediction_Without_ICCV_2021_paper.pdfhttps://openaccess.thecvf.com/content/ICCV2021/papers/Wang_Pyramid_Vision_Transformer_A_Versatile_Backbone_for_Dense_Prediction_Without_ICCV_2021_paper.pdf

0.摘要

        虽然卷积神经网络（CNN）在计算机视觉领域取得了巨大成功，但本研究探讨了一种更简单、无卷积的骨干网络，适用于许多密集预测任务。与最近提出的专门用于图像分类的Vision Transformer（ViT）不同，我们引入了金字塔视觉Transformer（PVT），克服了将Transformer应用于各种密集预测任务的困难。与当前最先进的方法相比，PVT具有几个优点：

        （1）与通常输出低分辨率结果且计算和内存开销较高的ViT不同，PVT不仅可以在图像的密集分区上进行训练，以实现高输出分辨率，这对于密集预测非常重要，而且还使用逐渐缩小的金字塔来减少大型特征图的计算量。

        （2）PVT继承了CNN和Transformer的优点，使其成为各种视觉任务的统一骨干，无需卷积，可以直接替代CNN的骨干网络。

        （3）通过大量实验证明了PVT的有效性，它提升了许多下游任务的性能，包括物体检测、实例分割和语义分割。例如，在参数数量相当的情况下，PVT+RetinaNet在COCO数据集上达到了40.4的AP，超过了ResNet50+RetinaNet（36.3 AP）4.1个AP（见图2）。

我们希望PVT能够成为像素级预测的替代和有用的骨干网络，并促进未来的研究。

图1：不同架构的比较，其中“Conv”和“TF-E”分别代表“卷积”和“Transformer编码器”。

(a)许多CNN主干网络在目标检测（DET）、实例分割和语义分割（SEG）等密集预测任务中使用金字塔结构。

(b)最近提出的Vision Transformer（ViT）[12]是一种专为图像分类（CLS）而设计的“柱状”结构。 (c)通过将CNN的金字塔结构结合起来，我们提出了金字塔视觉Transformer（PVT），它可以用作许多计算机视觉任务的多功能主干网络，扩大了ViT的范围和影响。

此外，我们的实验还表明，PVT可以轻松与DETR [5]相结合，构建一个无需卷积的端到端目标检测系统。

 

1.引言

        卷积神经网络（CNN）在计算机视觉领域取得了显著的成功，使其成为几乎所有任务的通用和主导方法[53,21,72,48,20,38,8,31]。然而，本研究旨在探索一种超越CNN的替代骨干网络，用于密集预测任务，如物体检测[39,13]、语义分割[81]和实例分割[39]，除了图像分类[11]之外。

        受到Transformer在自然语言处理中的成功启发，许多研究人员开始探索其在计算机视觉中的应用。例如，一些工作将视觉任务建模为具有可学习查询的字典查找问题，并在CNN骨干网络之上使用Transformer解码器作为任务特定的头部[5,82,71,55,23,41]。虽然一些先前的研究也将注意力模块[69,47,78]融入到CNN中，但据我们所知，在计算机视觉中探索一个干净且无卷积的Transformer骨干网络来解决密集预测任务的研究非常有限。

        最近，Dosovitskiy等人[12]提出了用于图像分类的Vision Transformer（ViT）。这是一种有趣且有意义的尝试，以无卷积模型取代CNN的骨干网络。如图1（b）所示，ViT具有柱状结构，以粗糙的图像块作为输入。虽然ViT适用于图像分类，但直接将其适应于像素级密集预测，如物体检测和分割，是具有挑战性的，因为

        （1）其输出特征图是单尺度和低分辨率的，

        （2）即使对于常见的输入图像尺寸（例如COCO基准测试中800像素的短边），其计算和内存成本也相对较高。

        为了解决上述限制，本研究提出了一种纯Transformer骨干网络，称为金字塔视觉Transformer（PVT），可以在许多下游任务中替代CNN骨干网络，包括图像级预测和像素级密集预测。具体而言，如图1（c）所示，我们的PVT通过以下方式克服了传统Transformer的困难：

        （1）采用细粒度的图像块（即每个块4×4像素）作为输入，学习高分辨率的表示，这对于密集预测任务至关重要；

        （2）引入渐进缩小的金字塔结构，随着网络的加深，减少Transformer的序列长度，显著降低计算成本；

        （3）采用空间缩减注意力（SRA）层，在学习高分辨率特征时进一步减少资源消耗。

        总体而言，提出的PVT具有以下优点。

        首先，与传统的CNN骨干网络（参见图1（a））相比，其具有随着网络深度增加而增大的局部感受野，我们的PVT始终产生全局感受野，更适用于检测和分割任务。

        其次，与ViT（参见图1（b））相比，由于其先进的金字塔结构，我们的方法可以更容易地嵌入到许多代表性的密集预测流程中，例如RetinaNet [38]和Mask R-CNN [20]。

        第三，我们可以通过将PVT与其他任务特定的Transformer解码器（例如PVT+DETR [5]用于目标检测）结合，构建一个无卷积的流程。据我们所知，这是第一个完全无卷积的目标检测流程。

        我们的主要贡献如下：

        (1) 我们提出了金字塔视觉Transformer（PVT），这是第一个专为各种像素级密集预测任务设计的纯Transformer骨干网络。通过结合PVT和DETR，我们可以构建一个端到端的目标检测系统，无需卷积和手工设计的组件，如密集锚点和非极大值抑制（NMS）。

【DETR（Detection Transformer）是一种基于Transformer的端到端目标检测模型。它使用Transformer编码器来处理输入图像，并通过自注意力机制来建立图像中目标的全局关联。DETR的输出由两部分组成：目标类别和目标框坐标。​​​​​​​】

        (2) 我们通过设计渐进缩小的金字塔和空间缩减注意力（SRA），克服了将Transformer迁移到密集预测任务时的许多困难。这些方法能够减少Transformer的资源消耗，使PVT能够灵活地学习多尺度和高分辨率的特征。

        (3) 我们在几个不同的任务上对提出的PVT进行了评估，包括图像分类、目标检测、实例分割和语义分割，并将其与流行的ResNet [21]和ResNeXt [72]进行了比较。

        如图2所示，我们的PVT在不同参数规模下相对于先前的方法始终取得了改进的性能。例如，在可比的参数数量下，使用RetinaNet [38]进行目标检测，PVT-Small在COCO val2017上实现了40.4的AP，比ResNet50高出4.1个点（40.4 vs. 36.3）。此外，PVT-Large实现了42.6的AP，比ResNeXt101-64x4d提高了1.6个点，参数数量减少了30%。

图2：使用RetinaNet进行目标检测时，在COCO val2017上不同骨干网络的性能比较，其中“T”、“S”、“M”和“L”表示我们的PVT模型的不同规模。我们可以看到，当不同模型的参数数量可比时，PVT变体显著优于它们对应的骨干网络，如ResNets（R）[21]，ResNeXts（X）[72]和ViT [12]。

2.相关工作

2.1.CNN主干网络

        CNN是视觉识别中深度神经网络的主力军。标准的CNN最早在[33]中被引入，用于区分手写数字。该模型包含具有一定感受野的卷积核，可以捕捉有利的视觉上下文。为了提供平移等变性，卷积核的权重在整个图像空间上共享。近年来，随着计算资源（例如GPU）的快速发展，对大规模图像分类数据集（例如ImageNet [50]）上的堆叠卷积块[32,53]的成功训练成为可能。例如，GoogLeNet [58]证明了包含多个卷积核路径的卷积操作符可以实现非常竞争的性能。多路径卷积块的有效性在Inception系列[59,57]、ResNeXt [72]、DPN [9]、MixNet [64]和SKNet [35]中进一步得到验证。此外，ResNet [21]将跳跃连接引入卷积块中，使得创建/训练非常深的网络成为可能，并在计算机视觉领域取得了令人印象深刻的结果。DenseNet [24]引入了一种密集连接的拓扑结构，将每个卷积块连接到所有先前的块。最近的进展可以在最近的调研/综述论文[30,52]中找到。与完整的CNN不同，视觉Transformer骨干网络仍处于早期开发阶段。在这项工作中，我们尝试通过设计一种新的多功能Transformer骨干网络，适用于大多数视觉任务，来扩展Vision Transformer的范围。

2.2.密集预测任务

初步的。密集预测任务旨在对特征图进行像素级分类或回归。目标检测和语义分割是两个典型的密集预测任务。

目标检测。在深度学习时代，CNN已成为目标检测的主要框架，其中包括单阶段检测器（如SSD [42]、RetinaNet [38]、FCOS [61]、GFL [36,34]、PolarMask [70]和OneNet [54]）和多阶段检测器（Faster R-CNN [48]、Mask R-CNN [20]、Cascade R-CNN [4]和Sparse R-CNN [56]）。这些主流目标检测器大多都建立在高分辨率或多尺度的特征图上，以获得良好的检测性能。最近，DETR [5]和可变形DETR [82]将CNN骨干和Transformer解码器结合起来构建一个端到端的目标检测器。同样地，它们也需要高分辨率或多尺度的特征图来进行准确的目标检测。

语义分割。CNN在语义分割中也起着重要的作用。在早期阶段，FCN [43]引入了完全卷积的架构，用于为任意大小的给定图像生成空间分割图。随后，Noh等人 [46]引入了反卷积操作，并在PASCAL VOC 2012数据集 [51]上取得了令人印象深刻的性能。受到FCN的启发，U-Net [49]专门用于医学图像分割领域，将相同空间尺寸的低级和高级特征图之间的信息流连接起来。为了探索更丰富的全局上下文表示，Zhao等人 [79]设计了一个金字塔池化模块，用于不同的池化尺度，而Kirillov等人 [31]则基于FPN [37]开发了一个轻量级的分割头部模块，称为Semantic FPN。最后，DeepLab系列 [7,40]应用了空洞卷积来扩大感受野，同时保持特征图的分辨率。与目标检测方法类似，语义分割模型也依赖于高分辨率或多尺度的特征图。

2.3.自注意力机制和Transformer在视觉中的应用

        由于卷积滤波器权重通常在训练后固定，它们无法根据不同的输入进行动态调整。许多方法已经提出来通过使用动态滤波器 [29]或自注意操作 [63]来缓解这个问题。非局部块 [69]尝试对空间和时间上的长程依赖进行建模，对于准确的视频分类已经被证明是有益的。然而，尽管非局部操作符取得了成功，但它面临着高计算和内存成本的问题。Criss-cross [25]通过生成交叉路径的稀疏注意力图进一步降低了复杂性。Ramachandran等人 [47]提出了独立的自注意力来替换卷积层，使用本地自注意单元。AANet [3]在自注意力和卷积操作结合时取得了有竞争力的结果。LambdaNetworks [2]使用lambda层，一种高效的自注意力方法，来替换CNN中的卷积操作。DETR [5]利用Transformer解码器将目标检测建模为一个端到端的字典查找问题，通过可学习的查询成功地消除了诸如NMS之类的手工制作过程。在DETR的基础上，可变形DETR [82]进一步采用了可变形注意力层，以关注一组稀疏的上下文元素，从而实现更快的收敛和更好的性能。最近，Vision Transformer (ViT) [12]通过将图像视为一系列补丁，采用纯Transformer [63]模型进行图像分类。DeiT [62]通过一种新颖的蒸馏方法进一步扩展了ViT。与以前的模型不同，本工作将金字塔结构引入Transformer，用于呈现密集预测任务的纯Transformer骨干，而不是任务特定的头部或图像分类模型。        

3.金字塔视觉Transformer

3.1.整体架构

        我们的目标是将金字塔结构引入Transformer框架，使其能够为密集预测任务（例如目标检测和语义分割）生成多尺度的特征图。PVT的概述如图3所示。与CNN的骨干网络[21]类似，我们的方法有四个阶段，生成不同尺度的特征图。所有阶段共享相似的架构，包括一个补丁嵌入层和Li个Transformer编码器层。

        在第一阶段中，给定大小为H×W×3的输入图像，我们首先将其划分为HW/16个大小为4×4×3的补丁。然后，我们将展平的补丁输入线性投影，并获得大小为HW/16×C1的嵌入补丁。接下来，将嵌入补丁和位置嵌入一起通过具有L1个层的Transformer编码器，输出被重塑为大小为H/4×W/4×C1的特征图F1。以相同的方式，使用前一阶段的特征图作为输入，我们获得以下特征图F2、F3和F4，它们相对于输入图像的步长分别为8、16和32个像素。通过特征金字塔{F1，F2，F3，F4}，我们的方法可以轻松地应用于大多数下游任务，包括图像分类、目标检测和语义分割。

 图3：金字塔视觉Transformer（PVT）的整体架构。整个模型分为四个阶段，每个阶段由一个补丁嵌入层和一个Li层的Transformer编码器组成。按照金字塔结构，四个阶段的输出分辨率逐渐从高（4倍步长）缩小到低（32倍步长）。

 

3.2.Transformer的特征金字塔

        与CNN骨干网络[53,21]使用不同的卷积步长来获得多尺度特征图不同，我们的PVT通过补丁嵌入层使用逐渐缩小的策略来控制特征图的尺度。在这里，我们将第i个阶段的补丁大小表示为Pi。在第i个阶段的开始，我们首先将输入特征图Fi−1 ∈RHi−1×Wi−1×Ci−1均匀地划分为Hi−PiWi−Pi个补丁，然后将每个补丁展平并投影到一个Ci维的嵌入中。经过线性投影后，嵌入补丁的形状可以看作是HPi×WPi×Ci，其中高度和宽度比输入小Pi倍。通过这种方式，我们可以在每个阶段灵活调整特征图的尺度，从而可以构建Transformer的特征金字塔。

 图4：多头注意力（MHA）与空间缩减注意力（SRA）的比较。通过空间缩减操作，我们的SRA的计算/内存成本远低于MHA。

 

3.3.Transformer编码

        第i阶段中的Transformer编码器有Li个编码器层，每个编码器层由一个注意力层和一个前馈层组成[63]。由于PVT需要处理高分辨率（例如4倍步长）的特征图，我们提出了一种空间缩减注意力（SRA）层来替代编码器中传统的多头注意力（MHA）层[63]。

        与MHA类似，我们的SRA接收查询Q、键K和值V作为输入，并输出一个经过改进的特征。不同之处在于我们的SRA在注意力操作之前减小了K和V的空间尺度（参见图4），这大大减小了计算和内存开销。第i阶段中SRA的详细描述如下：

其中Concat（·）是连接操作，与[63]中一样。W Q j，W K j和W V j是线性投影参数，维度分别为RCi×dhead。W O 是一个 RCi×Ci 的线性投影参数。Ni是第i阶段注意力层的头数。因此，每个头的维度（即dhead）等于Ci/Ni。SR（·）是用于减小输入序列（即K或V）的空间维度的操作，表示为：这里，x ∈ R(HiWi)×Ci表示输入序列，Ri表示第i阶段注意力层的缩减比例。Reshape(x,Ri)是将输入序列x重新形状为大小为HRiW2 i i i ×(Ri2Ci)的序列的操作。WS ∈ R(Ri2Ci)×Ci是一个线性投影，将输入序列的维度降低到Ci。Norm(·)表示层归一化[1]。与原始的Transformer [63]一样，我们的注意力操作Attention(·)计算如下：通过这些公式，我们可以发现我们的注意力操作的计算/内存成本比MHA低Ri2倍，因此我们的SRA可以在有限资源下处理更大的输入特征图/序列。

3.4.讨论

        与我们的模型最相关的工作是ViT [12]。在这里，我们讨论它们之间的关系和区别。首先，PVT和ViT都是没有卷积的纯Transformer模型。它们之间的主要区别在于金字塔结构。与传统的Transformer [63]类似，ViT的输出序列的长度与输入相同，这意味着ViT的输出是单一尺度的（参见图1 (b)）。此外，由于资源有限，ViT的输入是粗粒度的（例如，补丁大小为16或32像素），因此其输出分辨率相对较低（例如，16步长或32步长）。因此，直接将ViT应用于需要高分辨率或多尺度特征图的密集预测任务是困难的。

        我们的PVT通过引入逐步缩小的金字塔结构打破了Transformer的常规。它可以生成与传统CNN骨干网络类似的多尺度特征图。此外，我们还设计了一个简单但有效的注意力层——SRA，用于处理高分辨率特征图并减少计算和内存成本。由于以上设计的优势，我们的方法相比ViT具有以下优点：

        1）更灵活——可以在不同阶段生成不同尺度/通道的特征图；

        2）更通用——可以轻松地插入并在大多数下游任务模型中使用；

        3）更友好于计算和内存——可以处理更高分辨率的特征图或更长的序列。

4.应用到下游任务

4.1.基于图像级别的预测

        图像分类是图像级别预测最经典的任务。为了提供讨论的实例，我们设计了一系列不同尺度的PVT模型，分别是PVT-Tiny、-Small、-Medium和-Large，其参数数量与ResNet18、50、101和152相似。PVT系列的详细超参数设置在补充材料中提供。对于图像分类，我们遵循ViT [12]和DeiT [62]的做法，在最后一个阶段的输入中添加一个可学习的分类标记，然后使用全连接（FC）层在标记之上进行分类。

4.2.基于像素级别的密集预测

        除了图像级别的预测，密集预测也经常在下游任务中出现，需要在特征图上进行像素级别的分类或回归。在这里，我们讨论两个典型的任务，分别是目标检测和语义分割。我们将我们的PVT模型应用于三种代表性的密集预测方法，分别是RetinaNet [38]、Mask R-CNN [20]和Semantic FPN [31]。RetinaNet是一种广泛使用的单阶段检测器，Mask R-CNN是最流行的两阶段实例分割框架，Semantic FPN是一种没有特殊操作（例如，空洞卷积）的基本语义分割方法。使用这些方法作为基准可以充分检验不同的骨干网络的有效性。

        具体的实现细节如下：

        （1）与ResNet类似，我们使用在ImageNet上预训练的权重来初始化PVT骨干网络；

        （2）我们使用输出特征金字塔{F1，F2，F3，F4}作为FPN [37]的输入，然后将精炼的特征图送入后续的检测/分割头部；

        （3）在训练检测/分割模型时，PVT的所有层都不被冻结；

        （4）由于检测/分割的输入可以是任意形状，预训练的ImageNet上的位置嵌入可能不再有意义。因此，我们根据输入分辨率对预训练的位置嵌入进行双线性插值。

5.实验

        我们将PVT与两个最具代表性的CNN骨干网络进行比较，即ResNet [21]和ResNeXt [72]，它们在许多下游任务的基准测试中被广泛使用。

 表1：在ImageNet验证集上的图像分类性能。“#Param”指参数数量。“GFLOPs”是在输入尺度为224×224下计算的。“*”表示使用原始论文中的训练策略的方法的性能。

5.1.图像分类

设置。图像分类实验是在ImageNet 2012数据集[50]上进行的，该数据集包含了128万张训练图像和1,000个类别的50,000张验证图像。为了进行公平比较，所有模型都在训练集上进行训练，并在验证集上报告top-1错误率。我们遵循DeiT [62]的做法，采用随机裁剪、随机水平翻转[58]、标签平滑正则化[59]、mixup [76]、CutMix [75]和随机擦除[80]作为数据增强。在训练过程中，我们使用AdamW [45]进行优化，动量为0.9，小批量大小为128，权重衰减为5×10^-2。初始学习率设置为1×10^-3，并按照余弦调度[44]进行衰减。所有模型在8个V100 GPU上从头开始训练300个epochs。为了进行基准测试，我们对验证集进行中心裁剪，将224×224的图像块裁剪出来评估分类准确率。

结果。在表1中，我们可以看到在相似的参数数量和计算预算下，我们的PVT模型优于传统的CNN骨干网络。例如，当GFLOPs大致相似时，PVT Small的top-1错误率达到20.2，比ResNet50 [21]的错误率高1.3个百分点（20.2 vs. 21.5）。同时，在相似或更低的复杂度下，PVT模型的性能与最近提出的基于Transformer的模型（如ViT [12]和DeiT [62]）相当（PVT-Large: 18.3 vs. ViT(DeiT)-Base/16: 18.3）。在此，我们需要澄清的是，这些结果符合我们的预期，因为金字塔结构对于密集预测任务是有益的，但对图像分类几乎没有改进。需要注意的是，ViT和DeiT有局限性，它们专门设计用于分类任务，因此不适用于密集预测任务，后者通常需要有效的特征金字塔。

5.2.目标检测

设置。目标检测实验是在具有挑战性的COCO基准测试[39]上进行的。所有模型都在COCO train2017（118,000张图像）上进行训练，并在val2017（5,000张图像）上进行评估。我们在两个标准检测器RetinaNet [38]和Mask R-CNN [20]的基础上验证了PVT骨干网络的有效性。在训练之前，我们使用在ImageNet上预训练的权重来初始化骨干网络，并使用Xavier [17]来初始化新增的层。我们的模型在8个V100 GPU上以批量大小为16进行训练，并使用AdamW [45]进行优化，初始学习率为1×10^-4。遵循常规做法[38,20,6]，我们采用1×或3×的训练计划（即12或36个epochs）来训练所有的检测模型。训练图像的尺寸调整为较短边为800像素，而较长边不超过1333像素。当使用3×的训练计划时，我们会在[640,800]的范围内随机调整输入图像的较短边。在测试阶段，输入图像的较短边固定为800像素。

结果。如表2所示，在使用RetinaNet进行目标检测时，我们发现在相同数量的参数下，基于PVT的模型显著超过了它们的对应模型。例如，使用1×的训练计划，PVT-Tiny的AP比ResNet18高出4.9个百分点（36.7 vs. 31.8）。此外，使用3×的训练计划和多尺度训练，PVT-Large实现了最佳的AP为43.4，超过了ResNeXt101-64x4d（43.4 vs. 41.8），而我们的参数数量少了30%。这些结果表明，对于目标检测，我们的PVT可以作为CNN骨干网络的良好替代品。在基于Mask R-CNN的实例分割实验中也发现了类似的结果，如表3所示。使用1×的训练计划，PVT-Tiny实现了35.1的掩膜AP（APm），比ResNet18高出3.9个百分点（35.1 vs. 31.2），甚至比ResNet50高出0.7个百分点（35.1 vs. 34.4）。PVT-Large获得的最佳APm为40.7，比ResNeXt101-64x4d高出1.0个百分点（40.7 vs. 39.7），且参数少了20%。

表2：在COCO val2017上的目标检测性能。“MS”表示使用了多尺度训练[38,20]。

5.3.语义分割

设置。我们选择了ADE20K [81]作为具有挑战性的场景解析数据集，来评估语义分割的性能。ADE20K包含150个细粒度的语义类别，分别用于训练、验证和测试的图像数量分别为20,210、2,000和3,352。我们基于没有膨胀卷积 [73]的简单分割方法Semantic FPN [31]来评估我们的PVT骨干网络。在训练阶段，骨干网络使用在ImageNet [11]上预训练的权重进行初始化，其他新增的层使用Xavier [17]进行初始化。我们使用AdamW [45]进行模型优化，初始学习率为1e-4。遵循常规做法[31,7]，我们在4个V100 GPU上以批量大小为16进行80k次迭代的训练。学习率按照0.9的幂指数进行多项式衰减。在训练时，我们随机调整和裁剪图像大小为512×512，并在测试时按照较短边为512像素进行缩放。

结果。如表4所示，在使用Semantic FPN [31]进行语义分割时，基于PVT的模型始终优于基于ResNet [21]或ResNeXt [72]的模型。例如，几乎具有相同数量的参数和GFLOPs，我们的PVT-Tiny/Small/Medium的mIoU至少比ResNet-18/50/101高2.8个百分点。此外，尽管我们的PVT-Large的参数数量和GFLOPs比ResNeXt101-64x4d低了20%，但mIoU仍然比后者高出1.9个百分点（42.1 vs. 40.2）。在更长的训练计划和多尺度测试下，PVT-Large+Semantic FPN实现了最佳的mIoU为44.8，非常接近ADE20K基准测试的最新性能。需要注意的是，Semantic FPN只是一个简单的分割头部。这些结果表明，我们的PVT骨干网络可以比CNN骨干网络提取更好的用于语义分割的特征，得益于全局注意机制。

表3：在COCO val2017上的目标检测和实例分割性能。APb和APm分别表示边界框AP和掩膜AP。

5.4.纯Transformer物体检测

        为了达到无卷积的极限，我们通过简单地将我们的PVT与基于Transformer的检测头DETR [5]相结合，构建了一个纯Transformer的目标检测管道。我们在COCO train2017上训练模型50个epochs，初始学习率为1×10^(-4)。学习率在第33个epoch时除以10。我们使用随机翻转和多尺度训练作为数据增强。所有其他实验设置与5.2节中相同。如表5所示，基于PVT的DETR在COCO val2017上实现了34.7的AP，优于基于ResNet50的原始DETR 2.4个百分点（34.7 vs. 32.3）。这些结果证明了纯Transformer检测器在目标检测任务中也能很好地工作。在SM中，我们还尝试了一个纯Transformer模型PVT+Trans2Seg [71]用于语义分割。

表5：纯Transformer目标检测管道的性能。我们通过将PVT和DETR [5]相结合构建了一个纯Transformer检测器，其AP比基于ResNet50 [21]的原始DETR高出2.4个百分点。

5.5.消融研究

设置。我们在ImageNet [11]和COCO [39]数据集上进行消融研究。在ImageNet上的实验设置与第5.1节中的设置相同。对于COCO，所有模型都使用1×训练计划（即12个epochs）进行训练，不使用多尺度训练，其他设置与第5.2节中的设置相同。

金字塔结构。在将Transformer应用于密集预测任务时，金字塔结构至关重要。ViT（见图1(b)）是一个柱状框架，其输出是单尺度的。当使用粗糙的图像补丁（例如，每个补丁32×32像素）作为输入时，会导致低分辨率的输出特征图，从而导致检测性能较差（如表6所示，在COCO val2017上为31.7的AP）。当像我们的PVT那样使用细粒度的图像补丁（例如每个补丁4×4像素）作为输入时，ViT将耗尽GPU内存（32G）。通过渐进式缩小的金字塔，我们的方法避免了这个问题。具体来说，我们的模型可以在浅层阶段处理高分辨率的特征图，在深层阶段处理低分辨率的特征图。因此，在COCO val2017上我们获得了40.4的AP，比ViT-Small/32高出8.7个百分点（40.4 vs. 31.7）。

计算开销。随着输入规模的增加，我们的PVT的GFLOPs增长速度大于ResNet [21]，但低于ViT [12]，如图5所示。然而，当输入规模不超过640×640像素时，PVT-Small和ResNet50的GFLOPs相似。这意味着我们的PVT更适用于中分辨率输入的任务。

        在COCO数据集上，输入图像的较短边为800像素。在这种情况下，基于PVT-Small的RetinaNet的推理速度比基于ResNet50的模型慢。

        （1）解决这个问题的一种直接方法是减小输入规模。将输入图像的较短边缩小到640像素时，基于PVT-Small的模型比基于ResNet50的模型运行更快（51.7ms vs. 55.9ms），并且AP更高（38.7 vs. 36.3，提高了2.4个百分点）。

        （2）另一种解决方案是开发一个计算复杂度较低的自注意力层。这是一个值得探索的方向，我们最近提出了一种解决方案PVTv2 [66]。在SM中，我们对PVT的其他特征进行了更多的定性或定量分析，并提供了密集预测任务的视觉结果。

表6：使用RetinaNet进行目标检测时，ViT和我们的PVT的性能比较。由于小的补丁大小（即每个补丁4×4），ViT-Small/4的GPU内存不足。ViT-Small/32在COCO val2017上获得31.7的AP，比我们的PVT-Small低了8.7个百分点。

 图5：不同输入规模下的模型GFLOPs。GFLOPs的增长速率为：ViT-Small/16 [12] > ViT-Small/32 [12] > PVT-Small（我们的）> ResNet50 [21]。

6.结论和未来的工作

        我们引入了PVT，一种纯Transformer骨干网络，用于密集预测任务，如目标检测和语义分割。我们开发了一个逐渐缩小的金字塔和一个空间缩减注意力层，以在有限的计算/内存资源下获得高分辨率和多尺度的特征图。在目标检测和语义分割基准测试上进行了广泛的实验，验证了我们的PVT在相同参数数量下比精心设计的CNN骨干网络更强大。

        尽管PVT可以作为CNN骨干网络（如ResNet、ResNeXt）的替代品，但仍然有一些特定的模块和操作是为CNN设计的，在这项工作中没有考虑，例如SE [22]、SK [35]、空洞卷积 [73]、模型修剪 [19] 和NAS [60]。此外，随着多年的快速发展，已经出现了许多经过良好设计的CNN骨干网络，如Res2Net [16]、EfficientNet [60]和ResNeSt [77]。相比之下，计算机视觉中基于Transformer的模型仍处于早期阶段的发展。因此，我们相信在未来还有许多潜在的技术和应用领域（例如OCR [67,65,68]、3D [27,10,26]和医学 [14,15,28]图像分析）有待探索，并希望PVT能够成为一个良好的起点。