拆解PVT中的SRA模块

L18692454782

已于 2024-04-30 10:51:07 修改

阅读量1.5k

点赞数 31

文章标签：数据库

于 2024-04-30 10:44:50 首次发布

本文链接：https://blog.csdn.net/L18692454782/article/details/138336314

版权

文章讨论了PVT模型如何通过Transformer结构减少计算参数，特别是SRA模块的原理，以及PVTv2版本中通过替换卷积为池化进一步减小参数。内容涉及自注意力机制、Multi-HeadAttention和这两种技术在图像处理中的应用和效率提升。

摘要由CSDN通过智能技术生成

1 PVT

我们单刀直入，直接看PVT模型结构：RGB图像输入模型，经过四个Stage,最后得到形状为HW/32**C的张量，张量作为特征提取的结果，在其后加上全连接可以用于分类任务，在其后加上decode可以用于分割任务(作者称为密集预测任务)。其中每一个stage都会实现对输入张量的"降size增channels"操作，不同于CNN使用Conv，PVT使用Transformer实现目的，所以作者也称其为"pure Transformer"。

2 SRA

解释SRA之前，我们有必要先解释Multi-Head Attention模块。本着“不重复造轮子”的理念，我们贴出几篇有较为通俗解释的博客：Self-Attention 和 Multi-Head Attention 的区别——附最通俗理解！！_multihead attention和self attention-CSDN博客https://blog.csdn.net/leonardotu/article/details/135886678?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171444308316800222866094%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=171444308316800222866094&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-135886678-null-null.142%5Ev100%5Epc_search_result_base8&utm_term=multi-head%20self%20attention&spm=1018.2226.3001.4187

自注意力机制(Self-Attention)-CSDN博客https://blog.csdn.net/Michale_L/article/details/126549946?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171437915916800185880673%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=171437915916800185880673&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-126549946-null-null.142%5Ev100%5Epc_search_result_base8&utm_term=self-attention&spm=1018.2226.3001.4187

自注意力(Self-Attention)与Multi-Head Attention机制详解_multi-head self-attention-CSDN博客https://blog.csdn.net/weixin_60737527/article/details/127141542?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171444308316800222866094%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=171444308316800222866094&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-1-127141542-null-null.142%5Ev100%5Epc_search_result_base8&utm_term=multi-head%20self%20attention&spm=1018.2226.3001.4187

Transformer中，qkv的大小都是根据patch embed来确定，之后q* $^{}$ $k^{T}$ ,再之后(q* $^{}$ $k^{T}$ )*v。根据线代知识，矩阵的相乘只需要满足“左矩阵的列数=右矩阵的行数”，最后得到的矩阵大小为“左矩阵的行，右矩阵的列”。

SRA中，为了在保证feature map分辨率和全局感受野的同时降低计算量，key（K）和value（V）的长和宽分别缩小到以前的1/R_i。通过这种方法，可以以一个较小的代价处理4-stride，和8-stride的feature map了。对kv缩小后，首先q* $^{}$ $k^{T}$ 会因为k的形态由[3136, 64]-->[64, HW/R**]，导致这个操作进行后输出的张量形态变成了[3136, HW/R**]，而恰好v的形态也经过了压缩得到[64， HW/R**]，所以经过[3136, HW/R**]* $^{}$ $v^{T}$ 得到的最后张量为[3136, 64]，这和不对kv压缩得到的结果是一样的，但是实现过程却减少了很多计算量，所以我们说SRA大大减少了计算量！

3 PVT2 中的SRA

在一年后由原团队提出的《PVT v2: Improved baselines with Pyramid Vision Transformer》中，对SRA做了进一步的优化：即将SRA的实现由原来的卷积Conv改为了池化pooling，这样又进一步的减少了参数，因为“卷积操作有参数，而池化操作无需参数”(这里设计到卷积池化的一些理论知识，可以参考卷积和池化_池化降维处理-CSDN博客)。至此，SRA模块大成！