Compact-Transformer：缓解数据不足带来的问题

【GiantPandaCV导语】本文致力于解决ViT在小型数据集上性能不够好的问题，这个问题非常实际，现实情况下如果确实没有大量数据集，同时也没有合适的预训练模型需要从头训练的时候，ViT架构性能是不如CNN架构的。这篇文章实际上并没有引入大量的卷积操作，通过修改patch size，以及使用SeqPool的方法就可以取得不错的成绩。

引言

ViT不适用于小数据集，但是由于很多领域中数据量大小是非常有限的，为了打破ViT数据匮乏下性能不好，只能应用于大数据集的问题。本文提出使用正确的尺寸以及tokenization方法，可以让Transformer在小型数据集上达到SOTA。从头开始训练CIFAR10可以达到98%准确率。

本文中首先引入了ViT-Lite，这是一种小型结构更紧密的ViT，在其基础上添加合适大小的Patch sizeing得到Compact Vision Transformer.

这部分与Early Convolution Stem那篇异曲同工。

本文核心贡献如下：

• 通过引入ViT-Lite能够有效从头开始在小型数据集上实现更高精度，打破Transformer需要大量数据的神话。
• 引入新型序列池化策略（sequence pooling)的CVT（Compact Vision Transformer），从而让Transformer无需class token
• 引入CCT（Compact Convolutional Transformer）来提升模型性能，同时可以让图片输入尺寸更加灵活。

方法

提出了三种模型ViT-Lite, CVT, CCT。

ViT-Lite

该模型与原始模型几乎相同，但是使用更小的patch size。小型数据集本身就很小，因此patch size比较重要。

CVT

引入了Sequential Pooling方法，SeqPool消除了额外的Classification Token， 这个变换用T表示：${\mathbb{R}}^{b\times n\times d}\mapsto {\mathbb{R}}^{\hat{b}\times d}$, 输入为${\mathbf{x}}_L=\mathrm{f}\left({\mathbf{x}}_0\right)\in {\mathbb{R}}^{b\times n\times d}$, 其中b表示batch size， n表示sequence length， d是embedding 维度，g代表linear layer，$\mathrm{g}\left({\mathbf{x}}_L\right)\in {\mathbb{R}}^{d\times 1}$(ps：感觉有点类似channel attention)

$$\mathbf{z}={\mathbf{x}}_L^{\prime }{\mathbf{x}}_L=\mathrm{softmax}\left(\mathrm{g}{\left({\mathbf{x}}_L\right)}^T\right)\times {\mathbf{x}}_L\in {\mathbb{R}}^{b\times 1\times d}$$

代码实现如下：

self.attention_pool = Linear(self.embedding_dim, 1)
x = torch.matmul(F.softmax(self.attention_pool(x), dim=1).transpose(-1, -2), x).squeeze(-2)

CCT

直接引入卷积作为主干，保留了局部信息，并且能够编码patch之间的关系。

CCT-12/7x2代表：Transformer encoder有12层，使用了2个Convolution block，其中用的是7x7 大小的卷积核。

实验

小型数据集上结果：

这个地方其实有点不太符合直觉，直觉上来看，卷积层数越多在小数据集上性能应该越好，但是这里发现使用一个卷积要比使用两个更好。

ImageNet结果：

CIFAR10上的Trade off:

消融实验：（关注SP即Seqence Pooling操作有效性）

Positional Embedding的影响：

参考

https://arxiv.org/abs/2104.05704

https://github.com/SHI-Labs/Compact-Transformers

https://zhuanlan.zhihu.com/p/364589899