Pyramid Vision Transformer: A Versatile Backbone for Dense Prediction without Convolutions
金字塔视觉Transformer: 无卷积密集预测的通用主干
PVTv1:https://arxiv.org/abs/2102.12122
代码:https://github.com/whai362/PVT
PVTv2:https://arxiv.org/abs/2106.13797
代码:https://github.com/whai362/PVT
PVTv1 架构
密集预测任务的目标是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种典型的密集预测任务。我们的目标是在Transformer中引入金字塔结构,以便为密集的预测任务生成多尺度特征图。与CNN backbones类似,PVTv1 有四个阶段,用于生成不同比例尺的特征图(特征金字塔)。每个阶段由块(Patch)嵌入层和LiTransformer编码器层组成。下面来看LiTransformer编码器的SRA。
特征金字塔(Transformer)
CNN骨干网使用卷积步幅获得多尺度特征图不同,PVT使用逐步缩小策略,通过块嵌入层来控制特征图的规模。
这里,我们用 P i P_i Pi 表示第 i i i 阶段的块大小。在阶段i的开始,我们首先将输入的特征图 F i − 1 ∈ R H i − 1 × W i − 1 × C i − 1 F_{i−1}∈\mathbb R^{H_{i−1}×W_{i−1}×C_{i−1}} Fi−1∈RHi−1×Wi−1×Ci−1均匀划分为 H i − 1 W i − 1 P i 2 \frac{H_{i−1}W_{i−1} }{P^2_i} Pi2Hi−1