NeurIPS 2021 | 超越gMLP！清华提出GFNet：用于图像分类的全局Filter网络

最新推荐文章于 2024-12-29 10:42:06 发布

Amusi（CVer）

最新推荐文章于 2024-12-29 10:42:06 发布

阅读量4.7k

点赞数 4

文章标签：算法人工智能计算机视觉机器学习深度学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzUxNjcxMjQxNg==&mid=2247533999&idx=2&sn=5a52c83f08421e87dbc6c89239406fe6&chksm=f9a13720ced6be36b141110767be05c2efc19801596c5eb1edfebaf0f5c74a57e7877f8f52d6&scene=126&&sessionid=0

版权

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

转载自：AIWalker

Global Filter Networks for Image Classification

主页：https://gfnet.ivg-research.xyz/

论文：https://arxiv.org/abs/2107.00645

代码：https://github.com/raoyongming/GFNet

本文是清华大学在MLP方面的探索，不用现有MLP方案在空域进行token间信息交换，提出了一种全局滤波器方案在频域进行token间信息交换。受益于FFT的log-linear计算复杂度，GFNet可以设计成分层架构形式，能够更高分辨率作为起点，比如。虽然这篇文章的指标对比最新的VOLO、ViP等不算高，不过它为相关架构设计提供了一个非常不错的思路，值得学习。

Abstract

近期Transformer与MLP模型的发展证明了其具有以更少的归纳偏置取得更佳性能的潜力，这些模型往往基于从原始数据学习空间位置上相关性。然而，这些自注意力与MLP的计算复杂度会随图像尺寸迅速增长，这使得这些方法难以满足高分辨率特征需求。

在本文中，我们提出了全局滤波器网络(Global Filter Network, GFNet)，一种概念简单且计算高效的架构，它在频域以log-linear复杂度学习长距离空间依赖。所提架构通过如下三个关键操作替代ViT中的自注意力层：

2D 离散傅里叶变换；
频域特征与全局可学习滤波器的点乘操作；
2D逆傅里叶变换。

所提方案在ImageNet以以及下游任务上表现出了非常有力的精度-复杂度均衡。相比Transformer与CNN模型，所提方案在高效性、泛化性以及鲁棒性方面极具竞争力。

Method

在正式介绍之前，我们简单介绍一点关于傅里叶变换的基础知识。

Preliminaries

离散傅里叶变换(DFT)在数字信号处理领域起着非常重要的作用。我们以1D DFT为例进行介绍。给定长度为N的序列，1D DFT通过如下公式将其转换到频域：

注：表示序列的频谱。

此外，值得注意的是：DFT是一对一变换。因此，给定DFT，我们可以通过如下公式进行原始信号重建：

DFT在现代信号处理算法中得到了广泛应用，主要由以下两个原因：

DFT的输入与输出均为离散形势，可以通过计算机快速实现；
DFT存在高效算法，比如利用其对称与周期性的FFT。

Global Filter Networks

上图给出了本文所提方案整体架构示意图，它是一种类似ViT、DeiT的架构，即仅通过PatchEmbedding进行空间尺寸下降，然后通过多个核心模块进行处理，最后后接线性分类层进行分类。

所提方案的输入尺寸为并进行非重叠块拆分与线性投影得到维度D的词。GFNet的核心模块包含两部分：

全局滤波器层，它用于进行空间信息交换；
前馈网络，即MLP部分。

Global Filter Layer 我们提出了全局滤波器层作为自注意力层之外的选择：在频域进行空间信息交互。给定词，我们首先采用2DFFT变换将其变换到频域：

然后，我们再采用可学习滤波器进行调制：

注：这里的滤波器由于具有与X相同的维度而被称之为全局滤波器。最后，我们采用逆FFT将调制信号变换回空间并更新词：

上述核心部分的实现伪代码如下，就是这么的简单。

X = rfft2(x, dim=(1, 2))
X_tilde = X * K
x = irfft2(X_tilde, dim=(1, 2))

Architecture variants 考虑到自注意力与MLP的高计算复杂度问题，现有ViT、MLP采用快速降低分辨率的方式，即初始的PatchEmbedding尺寸非常大，比如。然而，GFNet的的计算复杂度为log-linear，可以避免上述问题。因此，我们可以以更高分辨率(比如)的特征作为起点，然后逐渐下采样。在这篇文章中，我们主要探索了两种形式的GFNet，即Transformer风格与CNN风格。

对于Transformer风格，类似DeiT与ResMLP-12，我们同样采用了12层模型并得到了三个尺寸的模型GFNet-Ti、GFNet-S以及GFNet-B(通过调整维度、深度等信息即可得到)；
对于类CNN分层风格，我们同样设计了三种复杂度的模型GFNet-H-Ti、GFNet-H-S、GFNet-H-B。相关信息见下表。

Experiments

为验证所提方案的有效性，我们在ImageNet分类以及下游任务(语义分割)上进行了对比分析。

ImageNet

上表给出了Transformer风格架构的性能对比，从中可以看到：

所提方法明显优于近期的MLP类方案与DeiT等方案；
GFNet-XS比ResMLP高2.0%且具有稍少的计算量；
GFNet-S同样具有比gMLP-S、DeiT-S更高的精度；
GFNet-Ti显著优于DeiT-Ti(+2.4%)与gMLP-Ti(+2.6%)，且具有相似复杂度。

上表对比了分层架构的信息对比，从中可以看到：受益于log-linear复杂度，GFNet-H取得了比ResNet、RegNet、PVT等更高的性能；取得了与Swin相当的精度，但具有更简单更广义设计。

Downstream Tasks

上表对比了所提方案在不同数据集上的迁移能力，从中可以看到：所提方法具有更佳的迁移能力。比如，GFNet显著优于ResMLP，同时具有比EfficientNet-B7相当的性能。

上表对比了所提方法在ADE20K语义分割数据上的性能对比，从中可以看到：所提方案在该任务上表现非常好，在不同复杂度方面取得了与其他模型(比如ResNet、PVT、Swin)相当甚至更好的性能。

CVPR和Transformer资料下载

后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的两篇Transformer综述PDF
CVer-Transformer交流群成立
扫码添加CVer助手，可申请加入CVer-Transformer 微信交流群，方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。
一定要备注：研究方向+地点+学校/公司+昵称（如Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群

▲长按加小助手微信，进交流群
▲点击上方卡片，关注CVer公众号

整理不易，请点赞和在看